當我們使用np.array()創建好數組后，常常需要對數組的形狀進行調整，以滿足不同計算和處理的需求，這時reshape()函數就發揮了關鍵作用。它能夠在不改變數組數據內容的前提下，靈活地改變數組的維度和形狀，是NumPy庫中十分重要且常用的核心函數，接下來我們就深入了解一下reshape()函數的方方面面。

reshape()函數基礎概念

reshape()函數的主要功能是對NumPy數組進行形狀重塑。它允許我們將一個數組從一種維度結構轉換為另一種維度結構，只要轉換前后元素的總數保持不變即可。這一特性使得它在數據預處理、算法輸入格式調整等場景中被頻繁使用。例如，在機器學習任務里，我們可能需要將一維的特征向量轉換為二維矩陣，以便符合模型的輸入要求；或者將多維的圖像數據重新排列成特定形狀，以適配后續的處理流程，這些操作都可以借助reshape()函數來完成。

reshape()函數語法與參數詳解

reshape()函數的語法為：numpy.reshape(a, newshape, order='C')，下面詳細介紹各個參數：

• a：這是必填參數，表示需要進行形狀重塑的數組，它可以是任意維度的NumPy數組。
• newshape：同樣是必填參數，用于指定數組的新形狀。它可以是一個整數，表示將數組重塑為一維數組；也可以是一個整數元組，元組中的每個元素對應新數組各維度的大小。此外，newshape中的某個維度還可以使用-1，此時NumPy會根據數組元素總數和其他維度的大小自動計算該維度的長度。
• order：該參數是可選的，用于指定在重塑過程中元素的讀取和寫入順序，有'C'、'F'、'A'三種取值。'C'表示按行優先順序（即C語言風格），先存儲完第一行元素，再存儲第二行，依此類推；'F'表示按列優先順序（即Fortran語言風格），先存儲完第一列元素，再存儲第二列；'A'表示如果數組在內存中是Fortran連續的，則按'F'順序，否則按'C'順序。默認值為'C'。

reshape()函數使用示例

基本的形狀重塑

將一維數組轉換為二維數組是reshape()函數常見的應用之一。假設我們有一個包含12個元素的一維數組：

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
new_arr = np.reshape(arr, (3, 4))
print(new_arr)

輸出結果為：

[[ 1  2  3  4][ 5  6  7  8][ 9 10 11 12]]

這里通過reshape()函數，將原本的一維數組arr成功轉換為了3行4列的二維數組new_arr。

使用-1自動計算維度

當我們不確定某個維度的具體大小時，可以使用-1讓NumPy自動計算。例如，將上述一維數組轉換為一個二維數組，但只指定列數為2：

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
new_arr = np.reshape(arr, (-1, 2))
print(new_arr)

輸出結果為：

[[ 1  2][ 3  4][ 5  6][ 7  8][ 9 10][11 12]]

由于數組總共有12個元素，指定列數為2，所以NumPy自動計算出行數為6，從而得到了6行2列的二維數組。

多維數組的形狀重塑

reshape()函數不僅適用于一維和二維數組，對于多維數組同樣有效。例如，將一個3×2×2的三維數組轉換為2×6的二維數組：

arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]], [[9, 10], [11, 12]]])
new_arr_2d = np.reshape(arr_3d, (2, 6))
print(new_arr_2d)

輸出結果為：

[[ 1  2  3  4  5  6][ 7  8  9 10 11 12]]

通過reshape()函數，成功實現了多維數組之間的形狀轉換。

不同order參數的效果

我們來對比一下不同order參數取值時的效果。假設有一個3×2的二維數組：

arr = np.array([[1, 2], [3, 4], [5, 6]])
new_arr_C = np.reshape(arr, (2, 3), order='C')
new_arr_F = np.reshape(arr, (2, 3), order='F')
print("按C順序重塑:")
print(new_arr_C)
print("按F順序重塑:")
print(new_arr_F)

輸出結果為：

按C順序重塑:
[[1 2 3][4 5 6]]
按F順序重塑:
[[1 3 5][2 4 6]]

可以看到，按'C'順序重塑時，是按行優先的方式讀取和寫入元素；而按'F'順序重塑時，是按列優先的方式進行操作，二者得到的結果明顯不同 。

reshape()函數的應用場景

數據預處理

在數據預處理階段，我們經常需要將數據整理成特定的形狀。比如，在處理圖像數據時，原始圖像數據可能是以一維數組的形式存儲像素值，我們可以使用reshape()函數將其轉換為二維或三維數組，方便進行后續的圖像濾波、特征提取等操作。

機器學習模型輸入

許多機器學習模型對輸入數據的形狀有特定要求。例如，在使用多層感知機（MLP）處理數據時，通常需要將數據轉換為二維矩陣形式，每行代表一個樣本，每列代表一個特征。這時就可以利用reshape()函數對原始數據進行形狀調整，使其符合模型的輸入規范。

算法實現

在一些數值計算算法中，也會用到reshape()函數來調整數組形狀，以便更高效地進行計算。比如在矩陣分解算法中，可能需要將原始矩陣重新排列成特定形狀，以滿足算法的計算邏輯。

通過以上對reshape()函數的詳細介紹和示例演示，相信你已經對它有了較為全面的認識。在實際的科學計算和數據處理工作中，合理運用reshape()函數，能夠讓我們更加靈活地操作數組，提高編程效率。

That’s all, thanks for reading!
覺得有用就點個贊、收進收藏夾吧！關注我，獲取更多干貨～