Python中reshape的用法及多个二维数组合并为三维数组的方法

reshape(shape) ： 不改变数组元素，返回一个shape形状的数组，原数组不变。是对每行元素进行处理
resize(shape) ： 与.reshape()功能一致，但修改原数组

In [1]: a = np.arange(20)
#原数组不变
In [2]: a.reshape([4,5])
Out[2]:
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

In [3]: a
Out[3]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

#修改原数组
In [4]: a.resize([4,5])

In [5]: a
Out[5]:
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

.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

In [6]: a.swapaxes(1,0)
Out[6]:
array([[ 0,  5, 10, 15],
       [ 1,  6, 11, 16],
       [ 2,  7, 12, 17],
       [ 3,  8, 13, 18],
       [ 4,  9, 14, 19]])

.flatten() ： 对数组进行降维，返回折叠后的一维数组，原数组不变

In [7]: a.flatten()
Out[7]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

 

将多个二维数组合并为一个三维数组

方法一：
对于两个（或者多个）同一维度的矩阵，直接利用np.array()重新构造一个array,这样可以变相起到扩展维数的作用。例如：

import numpy as np

a = np.array([[1,2,3],[4,5,6]])
b = np.array([[2,2,3],[4,5,6]])
c = np.array([[3,2,3],[4,5,6]])
print('矩阵a：\n',a)
print('维数：',a.shape)

com = np.array([a,b,c])
print('合并矩阵：\n',com)
print('维数：',com.shape)

输出结果为：

矩阵a：
 [[1 2 3]
 [4 5 6]]
维数： (2, 3)
合并矩阵：
 [[[1 2 3]
  [4 5 6]]

 [[2 2 3]
  [4 5 6]]

 [[3 2 3]
  [4 5 6]]]
维数： (3, 2, 3)

方法二：
但是，如果两个array，使用方法一时会出现如下结果：

import numpy as np

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])

com = np.array([aa,a])
print('合并矩阵：\n',com)
print('维数：',com.shape)

输出结果：

合并矩阵：
 [array([[[1, 2, 3],
        [4, 5, 6]],

       [[2, 2, 3],
        [4, 5, 6]],

       [[3, 2, 3],
        [4, 5, 6]]])
 array([[4, 2, 3],
       [4, 5, 6]])]
维数： (2,)

可以看到：输出的维数不对，以上方法就不适用了。

那么，我们就需要利用np.append和array.reshape()函数对数组进行拼接之后重组，具体实现如下：

import numpy as np

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
data = np.append(aa,a)#先拼接成一个行向量
print(data)

dim = aa.shape#获取原矩阵的维数
print('原矩阵维数：',dim)
data1 = data.reshape(dim[0]+1,dim[1],dim[2])#再通过原矩阵的维数重新组合

print('合并矩阵：\n',data1)
print('维数：',data1.shape)

现在来看一下用reshape将二维数据升为三维后的数据分布情况：

import numpy as np
b = np.arange(36).reshape((6,6))
b1 = b.reshape(2,3,6)

b的元素：

b1的元素:

可以看到，原来6*6的矩阵被分为了2个3*6的矩阵。每一行的数据分布并没有改变，只是将前3行划为一个维度，然后将后三行划为另一个维度。

b1.reshape(6,6)

如果用这条命令，则数据又被还原了回去，与b的一样。

b1.reshape(3,12)

如果用的是reshape(3,12)，则相当于将数据首先拉伸为1维的，然后再将一维数据重组为3*12

方法三：
相比于前两种方法，这种方法可谓“曲线救国”之典范，具体思路是：先转化成list，拼接后再转化回去。
这是因为list中的append()函数可以在添加函数的时候不改变原来list的维度。虽然没有对这种方法进行一个速度测试，但直觉来看时间复杂度挺高的，建议慎用。

aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])

#将array转换成list
aa = aa.tolist(aa)
a = a.list(a)

aa.append(a)#注意与方法二中np.append()用法的区别
com = np.array(aa)
print(com.shape)

输出结果：

合并矩阵：
      [[[1 2 3]
        [4 5 6]]

       [[2 2 3]
        [4 5 6]]

       [[3 2 3]
        [4 5 6]]
        
       [[4 2 3]
       [4, 5, 6]]]
维数： (4,2,3)

这里注意：
两种类型的相互转换函数：

array转list：a = a.tolist()
list转array：a =np.array(a)

原文：https://blog.csdn.net/u013044310/article/details/80407220 
原文：https://blog.csdn.net/brucewong0516/article/details/79185282