NumPy 数组重塑

数组重塑（Reshaping of Arrays）

NumPy 允许通过 reshape 方法或 np.reshape 函数改变数组的维度结构，而无需修改底层数据。这种操作在数据预处理、矩阵运算和机器学习中极为常见。

1. 基本用法​

import numpy as np# 一维数组 → 二维数组（3行2列）
arr = np.arange(6)        # [0 1 2 3 4 5]
reshaped = arr.reshape(3, 2)
print(reshaped)
# 输出:
# [[0 1]
#  [2 3]
#  [4 5]]

2. 核心规则​​

• （1）​元素总数不变​​：新形状的各维度乘积必须等于原数组元素总数

# 错误示例：6元素无法重塑为3x3
arr.reshape(3,3)  # 报错: ValueError: cannot reshape array of size 6 into shape (3,3)

• （2） ​自动计算维度​​：可用 -1 自动推断某维度大小

# 自动计算列数（总元素6 → 行2 → 列3）
arr.reshape(2, -1)  # 输出: [[0 1 2], [3 4 5]]

• （3）内存共享​​：默认返回​​视图​​（共享数据），除非使用 copy=True

reshaped[0,0] = 100
print(arr)  # 输出: [100   1   2   3   4   5] → 原数组被修改！

3. 参数说明

参数​​ ​​	说明​​
newshape	目标形状（整数或元组，如 (行, 列) 或 (通道, 高, 宽)）
order	数据填充顺序（默认 ‘C’ 按行优先，‘F’ 按列优先，‘A’ 保留原顺序）

4. 应用场景

• （1）图像处理​​：将一维像素数据转换为三维张量（高×宽×通道）

flat_image = np.random.rand(3072)  # CIFAR-10图像展平后
image_3d = flat_image.reshape(32, 32, 3)  # 还原为32x32 RGB图像

• （2）​模型输入​​：适配神经网络输入形状

# 将批量数据（100样本，每样本784特征）转为100x28x28
X_train = X_flatten.reshape(100, 28, 28)

• （3）矩阵运算​​：满足线性代数维度要求

vector = np.array([1,2,3])
column_matrix = vector.reshape(-1,1)  # 3x1列向量

5. 注意事项

操作​​ ​	​结果​​
原数组连续内存（C顺序）	reshape 高效生成视图（$O(1)$时间复杂度）
原数组非连续内存	可能触发隐式拷贝（order='A' 时优先保留布局）
需强制拷贝	使用 arr.reshape(...).copy() 或 np.reshape(arr, ..., copy=True)

6. 扩展方法

• ​​flatten()​​：将多维数组展平为一维（​​返回副本​​）
• ​ravel()​​：将多维数组展平为一维（​​返回视图​​，优先使用）

print(reshaped.ravel())  # 输出: [100 1 2 3 4 5]