假设我们有一个三维数组，大小为2 x 10 x 10:

r = numpy.random.rand(2, 10, 10) 

现在我们要重塑为5 X 5 X 8:

numpy.reshape(r, shape=(5, 5, 8)) 

会完成任务的。

注意，一旦你修复了第一个dim = 5和第二个dim = 5，你就不需要确定第三个维度了。为了帮助你的懒惰，Numpy提供了使用-1的选项:

numpy.reshape(r, shape=(5, 5, -1)) 

会得到一个shape =(5,5,8)的数组。

同样的,

numpy.reshape(r, shape=(50, -1)) 

会得到一个数组shape = (50,4)

你可以在http://anie.me/numpy-reshape-transpose-theano-dimshuffle/上阅读更多

"在所有其他维度都已指定的情况下，推断出这个维度"

显式地，这将使-1维度成为原始数组的维度积与新指定的dim的维度积的商。如果不是整数，则返回错误。

例如，对于一个形状数组(2,3,5)，以下都是等价的:

a = np.random.rand(2, 3, 5)

np.reshape(a, (-1,  2,  5))
np.reshape(a, ( 3, -1,  5))
np.reshape(a, ( 3,  2, -1))

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)

假设我们有一个三维数组，大小为2 x 10 x 10:

r = numpy.random.rand(2, 10, 10) 

现在我们要重塑为5 X 5 X 8:

numpy.reshape(r, shape=(5, 5, 8)) 

会完成任务的。

注意，一旦你修复了第一个dim = 5和第二个dim = 5，你就不需要确定第三个维度了。为了帮助你的懒惰，Numpy提供了使用-1的选项:

numpy.reshape(r, shape=(5, 5, -1)) 

会得到一个shape =(5,5,8)的数组。

同样的,

numpy.reshape(r, shape=(50, -1)) 

会得到一个数组shape = (50,4)

你可以在http://anie.me/numpy-reshape-transpose-theano-dimshuffle/上阅读更多

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。