Python中reshape的使用

在 Python 中，reshape 函數(shù)主要用于調(diào)整數(shù)組或矩陣的維度，?尤其常見于 NumPy 和 Pandas 庫。

以下是詳細的用法和示例：

1. ?NumPy 中的 reshape

NumPy 的 reshape 是調(diào)整數(shù)組維度的核心工具，適用于科學(xué)計算和多維數(shù)據(jù)處理。

基本語法

numpy.reshape(array, new_shape, order='C')

或直接調(diào)用數(shù)組對象的 reshape 方法：

arr.reshape(new_shape)

參數(shù)說明

?**new_shape: 目標形狀（如 (行, 列)），可以是整數(shù)或元組。

• 關(guān)鍵規(guī)則**：新形狀的元素總數(shù)必須與原數(shù)組一致（例如，原數(shù)組有 6 個元素，可改為 (2,3)，但不能改為 (3,3)）。

?**order**：可選參數(shù)，控制元素填充順序：

• 'C'（默認）：按行優(yōu)先（C 風(fēng)格）填充。
• 'F'：按列優(yōu)先（Fortran 風(fēng)格）填充。

示例代碼

• 示例 1：一維轉(zhuǎn)二維

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])
reshaped = arr.reshape((2, 3))  # 改為 2 行 3 列
print(reshaped)
# 輸出：
# [[1 2 3]
#  [4 5 6]]

• 示例 2：多維數(shù)組調(diào)整

matrix = np.array([[1, 2], [3, 4], [5, 6]])
# 改為 2行3列（總元素數(shù)必須為6）
new_matrix = matrix.reshape((2, 3))  
print(new_matrix)
# 輸出：
# [[1 2 3]
#  [4 5 6]]

• 示例 3：自動推斷維度（使用 -1）

通過 -1 自動計算某一維的大小：

arr = np.array([1, 2, 3, 4, 5, 6])
# 自動計算行數(shù)（總元素數(shù)=6 → 行數(shù)=6/3=2）
reshaped = arr.reshape((-1, 3))  
print(reshaped)
# 輸出：
# [[1 2 3]
#  [4 5 6]]

• 示例 4：調(diào)整維度順序（order參數(shù)）

arr = np.array([1, 2, 3, 4, 5, 6])
# 按列優(yōu)先填充
fortran_arr = arr.reshape((2, 3), order='F')  
print(fortran_arr)
# 輸出：
# [[1 3 5]
#  [2 4 6]]

2. ?Pandas 中的 reshape

Pandas 主要通過以下方法實現(xiàn)數(shù)據(jù)重塑：

• ?**stack() / unstack()**: 行列轉(zhuǎn)換。
• ?**pivot() / melt()**: 寬表與長表轉(zhuǎn)換。

示例：stack 和 unstack

import pandas as pd

# 創(chuàng)建一個 DataFrame
df = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
}, index=["X", "Y", "Z"])

# 將列堆疊為行（生成多級索引）
stacked = df.stack()
print(stacked)
# 輸出：
# X  A    1
#    B    4
# Y  A    2
#    B    5
# Z  A    3
#    B    6

# 恢復(fù)原形狀
unstacked = stacked.unstack()
print(unstacked)

3. ?注意事項

?元素總數(shù)必須一致：否則會拋出 ValueError。

?返回的是視圖（View）還是副本（Copy）?：

• NumPy 的 reshape 默認返回視圖（修改視圖會影響原數(shù)組）。
• 若無法生成視圖（如內(nèi)存不連續(xù)），則返回副本。

?避免混淆 reshape 和 resize：

• reshape 不改變原數(shù)組，返回新形狀的數(shù)組。
• resize 直接修改原數(shù)組的形狀（可能導(dǎo)致數(shù)據(jù)截斷或填充）。

4. ?實際應(yīng)用場景

• ?圖像處理：將一維像素數(shù)組轉(zhuǎn)換為三維（高度, 寬度, 通道數(shù)）。
• ?機器學(xué)習(xí)：調(diào)整輸入數(shù)據(jù)的形狀以匹配模型要求（如將 (樣本數(shù),) 改為 (樣本數(shù), 1)）。
• ?數(shù)據(jù)清洗：將寬表轉(zhuǎn)換為長表（Pandas 的 melt）。

5. ?常見錯誤

# 錯誤示例：元素總數(shù)不匹配
arr = np.array([1, 2, 3])
try:
    arr.reshape((2, 2))  # 3元素?zé)o法填充2x2=4的位置
except ValueError as e:
    print(e)  # 輸出：cannot reshape array of size 3 into shape (2,2)

通過 reshape，你可以靈活處理數(shù)據(jù)維度，適配不同算法和場景的需求。根據(jù)任務(wù)選擇 NumPy（多維數(shù)組）或 Pandas（表格數(shù)據(jù)）的對應(yīng)方法。

總結(jié)

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論