这两组函数中区别很是类似,都是一个不改变之前的数组,一个改变数组本身
resize和reshape
> import numpy as np > a = np.arange(20).reshape(4,5) > a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]) > a.reshape(2,10) array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]]) > a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]) > a.resize(2,10) > a array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]])
两个函数都是改变数组的形状,但是resize是在本身上进行操作,reshape返回的是修改之后的参数
ravel和flatten
两者都可以将数组转换为一个维,
flatten(order='C')
参数:{‘C',‘F',‘A',‘K'}
默认情况下‘C'以行为主的顺序展开,‘F'(Fortran风格)意味着以列的顺序展开,‘A'表示如果a在内存中为Fortran连续,则按列展开,否则以行展开,‘K'按照元素在内存中出现的顺序展平a。
> a = np.arange(6).reshape(2,3) > a.flatten() array([0, 1, 2, 3, 4, 5]) > a.ravel() array([0, 1, 2, 3, 4, 5]) > a.flatten('F') array([0, 3, 1, 4, 2, 5]) > a.ravel('F') array([0, 3, 1, 4, 2, 5]) >
> x = np.array([[1,2],[3,4]]) > a = np.arange(6).reshape(2,3) > a.flatten()[...] = 1 > a array([[0, 1, 2], [3, 4, 5]]) > a.ravel()[...] = 1 > a array([[1, 1, 1], [1, 1, 1]]) >
flatten不会影响原始矩阵,返回的是一个副本,但是ravel是会修改数组
补充知识:【Numpy】维度变化reshape、ravel、flatten、transpose、resize、swapaxes
0. 首先,创建一个多维数组
from numpy import *
a = arange(24)
得到:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
1.reshape 函数
b = a.reshape(2,3,4)
print(b)
得到一个 2*3*4 维的数组:
[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
可以想象成2层小洋楼,每层有 3*4 个房间
2.ravel函数 可以将多维数组展平(也就是变回一维)
c = b.ravel()
print(c)
得到一维数组
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
3.flatten函数 也是将多维数组展平,与ravel函数的功能相同,不过flatten函数会请求分配内存来保存结果,而ravel函数只是返回数组的一个视图(view)
c = b.flatten()
print(c)
得到一维数组
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
4.用元组设置维度
直接用一个正整数元组来设置数组的维度
b.shape = (6,4)
print(b)
这种做法将直接改变所操作的数组,现在数组b变成了一个 6*4 的多维数组
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]]
5.transpose函数 将矩阵进行转置
d = b.transpose()
print(d)
得到 4*6 的多维数组
[[ 0 4 8 12 16 20] [ 1 5 9 13 17 21] [ 2 6 10 14 18 22] [ 3 7 11 15 19 23]]
6.transpose函数 将矩阵按照设定维度变换顺序
b = a.reshape(2,3,4) c = b.transpose((2,1,0)) print(c)
得到一个形状为4*3*2的数组:
array([[[ 0, 12], [ 4, 16], [ 8, 20]], [[ 1, 13], [ 5, 17], [ 9, 21]], [[ 2, 14], [ 6, 18], [10, 22]], [[ 3, 15], [ 7, 19], [11, 23]]])
7.resize函数和reshape函数的功能一样,但resize会直接修改所操作的数组
b.resize((2,12))
print(b)
得到 2*12 的两维数组
[[ 0 1 2 3 4 5 6 7 8 9 10 11]
[12 13 14 15 16 17 18 19 20 21 22 23]]
并且这一步不可以通过赋值来实现,如下所示:
e = b.resize((2,12))
print(e)
此时结果为:
None
8.swapaxes(ax1,ax2) : 将数组n个维度中两个维度进行调换,不改变原数组
b = a.reshape(2,3,4) c = b.swapaxes(0,2) print(c)
得到一个形状为4*3*2的数组(可以和6.transpose函数进行比较来看):
array([[[ 0, 12], [ 4, 16], [ 8, 20]], [[ 1, 13], [ 5, 17], [ 9, 21]], [[ 2, 14], [ 6, 18], [10, 22]], [[ 3, 15], [ 7, 19], [11, 23]]])
以上这篇浅谈numpy中函数resize与reshape,ravel与flatten的区别就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
- 群星《前途海量 电影原声专辑》[FLAC/分轨][227.78MB]
- 张信哲.1992-知道新曲与精丫巨石】【WAV+CUE】
- 王翠玲.1995-ANGEL【新艺宝】【WAV+CUE】
- 景冈山.1996-我的眼里只有你【大地唱片】【WAV+CUE】
- 群星《八戒 电影原声带》[320K/MP3][188.97MB]
- 群星《我的阿勒泰 影视原声带》[320K/MP3][139.47MB]
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[320K/MP3][148.91MB]
- 刘雅丽.2001-丽花皇后·EMI精选王【EMI百代】【FLAC分轨】
- 齐秦.1994-黄金十年1981-1990CHINA.TOUR.LIVE精丫上华】【WAV+CUE】
- 群星.2008-本色·百代音乐人创作专辑【EMI百代】【WAV+CUE】
- 群星.2001-同步过冬AVCD【环球】【WAV+CUE】
- 群星.2020-同步过冬2020冀待晴空【环球】【WAV+CUE】
- 沈雁.1986-四季(2012梦田复刻版)【白云唱片】【WAV+CUE】
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[FLAC/分轨][257.88MB]
- 《国语老歌 怀旧篇 3CD》[WAV/分轨][1.6GB]