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。

numpy.reshape(a,newshape,order{})

查看下面的链接获取更多信息。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html

对于下面的示例，您提到的输出将结果向量解释为单行。(-1)表示行数为1。 如果

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

输出:

matrix([[1, 2, 3, 4, 5, 6, 7, 8]])

这可以用另一个例子来更准确地解释:

b = np.arange(10).reshape((-1,1))

输出:(1维柱状阵列)

array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])

or

b = np.arange(10).reshape((1,-1))

输出:(是一个1维行数组)

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

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

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。

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)

-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!)