根据文档:

Newshape: int或int的元组 新形状应与原形状兼容。如果一个 整数，则结果将是该长度的一维数组。一个形状 维度可以是-1。在本例中，该值是从 数组的长度和剩余维度。

-1代表“未知维度”，可以从另一个维度推断出来。 在这种情况下，如果你这样设置你的矩阵:

a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])

像这样修改你的矩阵:

b = numpy.reshape(a, -1)

它将调用一些对矩阵a的默认操作，这将返回一个1-d numpy数组/矩阵。

然而，我不认为使用这样的代码是一个好主意。为什么不试试呢:

b = a.reshape(1, -1)

它会给你同样的结果，而且更容易让读者理解:将b设置为a的另一种形状。对于a，我们不知道它应该有多少列(设置为-1!)，但我们想要一个一维数组(设置第一个参数为1!)

当你使用-1(或任何其他负整数，我做这个测试kkk)在

b = numpy.reshape(a, -1)

你说的只是麻木的人。重塑自动计算向量的大小(行x列)，并将其重新定位到具有该维度的1-D向量。这个命令很有趣，因为它会自动为您执行。如果您想通过输入一个正整数值来将向量重塑为1-D，那么重塑命令只有在正确输入值“rows x columns”时才会起作用。所以输入一个负整数会让这个过程更简单。

提供新形状的满足条件是“新形状应与原形状兼容”

Numpy允许我们给出一个新的形状参数为-1(例如:(2，-1)或(-1,3)，但不是(-1，-1))。它只是意味着它是一个未知的维度，我们想让numpy来计算它。numpy将通过查看“数组的长度和剩余维度”并确保它满足上述标准来计算这个值

现在请看示例。

z = np.array([[1, 2, 3, 4],
         [5, 6, 7, 8],
         [9, 10, 11, 12]])
z.shape
(3, 4)

现在尝试用(-1)来重塑。结果新形状为(12，)并且与原始形状(3,4)兼容

z.reshape(-1)
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

现在尝试用(- 1,1)来重塑。我们将列设为1，而行设为未知。因此我们得到的结果是，新形状为(12,1)同样与原始形状(3,4)兼容

z.reshape(-1,1)
array([[ 1],
   [ 2],
   [ 3],
   [ 4],
   [ 5],
   [ 6],
   [ 7],
   [ 8],
   [ 9],
   [10],
   [11],
   [12]])

以上与numpy建议/错误消息一致，对单个特性使用重塑(-1,1);即单柱

使用数组重塑数据。如果数据只有单一特征，则重塑(- 1,1)

新形状为(-1,2).行未知，列2。结果是(6,2)

z.reshape(-1, 2)
array([[ 1,  2],
   [ 3,  4],
   [ 5,  6],
   [ 7,  8],
   [ 9, 10],
   [11, 12]])

现在尽量不让专栏人知道。新形状为(1，-1)。也就是说，行为1，列为未知。我们得到的结果是(1,12)

z.reshape(1,-1)
array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12]])

以上与numpy建议/错误消息一致，对单个样本使用重塑(1，-1);即单行

使用数组重塑数据。如果包含单个样本，则重塑(1，-1)

新形状(2，-1)。第二行，未知列。结果是(2,6)

z.reshape(2, -1)
array([[ 1,  2,  3,  4,  5,  6],
   [ 7,  8,  9, 10, 11, 12]])

新形状为(3，-1)。第三行，未知列。结果是(3,4)

z.reshape(3, -1)
array([[ 1,  2,  3,  4],
   [ 5,  6,  7,  8],
   [ 9, 10, 11, 12]])

最后，如果我们试图提供两个维度为未知，即新形状为(-1，-1)。它会抛出一个错误

z.reshape(-1, -1)
ValueError: can only specify one unknown dimension

import numpy as np
x = np.array([[2,3,4], [5,6,7]]) 

# Convert any shape to 1D shape
x = np.reshape(x, (-1)) # Making it 1 row -> (6,)

# When you don't care about rows and just want to fix number of columns
x = np.reshape(x, (-1, 1)) # Making it 1 column -> (6, 1)
x = np.reshape(x, (-1, 2)) # Making it 2 column -> (3, 2)
x = np.reshape(x, (-1, 3)) # Making it 3 column -> (2, 3)

# When you don't care about columns and just want to fix number of rows
x = np.reshape(x, (1, -1)) # Making it 1 row -> (1, 6)
x = np.reshape(x, (2, -1)) # Making it 2 row -> (2, 3)
x = np.reshape(x, (3, -1)) # Making it 3 row -> (3, 2)

转换的最终结果是最终数组中的元素数量与初始数组或数据帧的元素数量相同。

-1对应行或列的未知计数。 我们可以把它看成x(未知)X是用原始数组中的元素数除以-1的有序对的另一个值得到的。

例子:

12个元素与重塑(-1,1)对应的数组x=12/1=12行1列。

12个元素具有重塑(1，-1)对应于一个有1行和x=12/1=12列的数组。