数组新的shape属性应该要与原来的配套,如果等于-1的话,那么Numpy会根据剩下的维度计算出数组的另外一个shape属性值。
举个例子:
1
|
x = np.array([[ 2 , 0 ], [ 1 , 1 ], [ 2 , 3 ]]) |
指定新数组行为3,列为,2,则:
1
2
3
4
5
6
7
|
y = x.reshape( 3 , 2 ) y Out[ 43 ]: array([[ 2 , 0 ], [ 1 , 1 ], [ 2 , 3 ]]) |
指定新数组列为1,则:
1
2
3
4
5
6
7
8
9
10
|
y = x.reshape( - 1 , 1 ) y Out[ 34 ]: array([[ 2 ], [ 0 ], [ 1 ], [ 1 ], [ 2 ], [ 3 ]]) |
指定新数组列为2,则:
1
2
3
4
5
6
7
|
y = x.reshape( - 1 , 2 ) y Out[ 37 ]: array([[ 2 , 0 ], [ 1 , 1 ], [ 2 , 3 ]]) |
指定新数组行为1,则:
1
2
3
4
|
y = x.reshape( 1 , - 1 ) y Out[ 39 ]: array([[ 2 , 0 , 1 , 1 , 2 , 3 ]]) |
指定新数组行为2,则:
1
2
3
4
5
6
|
y = x.reshape( 2 , - 1 ) y Out[ 41 ]: array([[ 2 , 0 , 1 ], [ 1 , 2 , 3 ]]) |
numpy中reshape(-1,1)与reshape(1,-1)的作用
如果你的数据只有一个特征,可以用reshape(-1,1)改变你的数据形状;或者如果你的数据只包含一个样本,可以使用reshape(1,-1)来改变。
1
2
|
e = np.array([ 1 ]) #只包含一个数据 f = e.reshape( 1 , - 1 ) #改变形状,输出f之后发现它已经变成了二维数据 |
1
2
3
4
5
6
7
8
9
10
|
import numpy as np a = np.array([[ 1 , 2 , 3 ],[ 4 , 5 , 6 ]]) #是两行三列的数据,二维 b = np.array([ 1 , 2 ]) #是一维数据 c = b.reshape( - 1 , 1 ) #c已经变成了二维数据,变成了两行一列 d = b.reshape( 1 , - 1 ) #d变成了一行两列的数据, print ( 'b.shape is {0}' . format (b.shape)) print (b) print ( 'c.shape is {0}' . format (c.shape)) print (c) print ( 'd.shape is {0},d array is {1}' . format (d.shape,d)) |
可以发现reshape(-1,1)是将一维数据在行上变化,而reshape(1,-1)是将一维数据在列上变化
到此这篇关于numpy.reshape(-1,1)的具体使用的文章就介绍到这了,更多相关numpy.reshape(-1,1)内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家!
原文链接:https://blog.csdn.net/qq_42804678/article/details/99062431