Numpy中的shape、reshape函数的区别

1 shape()函数

2 reshape()函数

1 shape()函数

读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度,相当于行数。它的输入参数可以是一个整数表示维度，也可以是一个矩阵。shape函数返回的是一个元组tuple，表示数组（矩阵）的维度/ 形状，例子如下：

w.shape[0]返回的是w的行数

w.shape[1]返回的是w的列数

df.shape()：查看行数和列数

1. 数组（矩阵）只有一个维度时，shape只有shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中array创建的可以看做list（或一维数组），创建时用（）和[ ]都可以，多维就使用[ ]

>>> a=np.array([1,2])
>>> a
array([1, 2])
>>> a.shape
(2L,)
>>> a.shape[0]
2L
>>> a.shape[1]
IndexError: tuple index out of range   #最后报错是因为一维数组只有一个维度，可以用a.shape或a.shape[0]来访问
#这个使用的是两个（）包裹，得到的数组和前面的一样
>>> a=np.array((1,2))
>>> a
array([1, 2])

2.数组有两个维度（即行和列）时，a.shape返回的元组表示该数组的行数与列数

 #注意二维数组要用（）和[]一起包裹起来，键入print a 会得到一个用2个[]包裹的数组（矩阵）
>>> b=np.array([[1,2,3],[4,5,6]])
>>> b
array([[1, 2, 3],
       [4, 5, 6]])
>>> b.shape
(2L, 3L)

总结:使用np.array（）创建数组时，

一维的可以直接np.array（[1,2,3]）或者np.array((1,2,3))

二维的要使用np.array（[[1,2,3],[1,2,3]]),用一个（）和一个[]把要输入的list包裹起来

三维的要使用np.array（[[[1,2,3],[1,2,3]]]）,用一个（）和两个[]把要输入的list包裹起来

>>> a=np.array([[[1,2],[3,4]]])
>>> a
array([[[1, 2],
        [3, 4]]])
>>> a.shape
(1L, 2L, 2L)

返回的元组表示3个维度各包含的元素的个数。所谓元素，在一维时就是元素的个数，二维时表示行数和列数，三维时a.shape【0】表示创建的块数，a.shape【1】和a.shape【2】表示每一块（每一块都是二维的）的行数和列数。

>>> a=np.ones([2,2,3])#创建两个2行3列的数组（矩阵）
>>> a
array([[[ 1.,  1.,  1.],
        [ 1.,  1.,  1.]],
       [[ 1.,  1.,  1.],
        [ 1.,  1.,  1.]]])

2 reshape()函数

改变数组的形状，并且原始数据不发生变化。但是，reshape()函数中的参数需要满足乘积等于数组中数据总数.

如：当我们将8个数使用(2,3)重新排列时，python会报错

import numpy as np
a=np.array([1,2,3,4])
b=np.array([[1,2,3,4],[4,5,6,7],[7,8,9,1]])
print("a:\n",a)
print("b:\n",b)
print(b.dtype)
a_r=a.reshape((2,2))  
print("a_r:\n",a_r)
d=a.reshape((-1,1))
print("d:\n",d)
e=a.reshape((1,-1))
print("e:\n",e)
#结果如下
a:
 [1 2 3 4]
c:
 [[1 2 3 4]
 [4 5 6 7]
 [7 8 9 1]]
int32
a_r:
 [[1 2]
 [3 4]]
d:
 [[1]
 [2]
 [3]
 [4]]
e:
 [[1 2 3 4]]

而且，reshape()函数得出的数组与原数组使用的是同一个存储空间，改变一个，另一个也随之改变。