数组变形记：从魔方到煎饼，玩转 reshape 和 flatten
各位观众老爷们，晚上好！我是你们的老朋友，人称“数组变形金刚”的码农老王。今天，咱们不聊风花雪月，也不谈人生理想，就来聊聊编程世界里一个非常实用，但也容易被忽视的小技巧：数组的 reshape 和 flatten。
想象一下，你手里拿着一个魔方，刚开始它是一个完美的正方体，各种颜色规规矩矩地排列着。但是，如果你想从另一个角度观察它，或者想把它变成一个长条形，甚至把它拆成无数个小方块，你该怎么办？答案就是：变形！
在编程世界里，数组就相当于这个魔方，而 reshape 和 flatten 就是你手中的变形工具。它们能让你轻松地改变数组的形状，让数据以你想要的方式呈现。
一、为什么要变形？（Shape Shifting：Why Bother?）
你可能会问：“老王，数组好好的，干嘛要变形？闲得没事干吗？”
Well，这个问题问得好！就像你不能总是用魔方玩俄罗斯方块一样，在实际应用中，我们需要根据不同的场景和算法，对数组的形状进行调整。
举几个栗子🌰：
- 图像处理： 一张图片通常以二维数组的形式存储，每个元素代表一个像素的颜色值。有时候，我们需要将图片转换成一维数组，才能方便地输入到某些机器学习模型中。
- 机器学习： 很多机器学习算法，比如神经网络，要求输入数据是特定形状的。我们需要将原始数据进行 reshape，才能满足算法的要求。
- 数据分析： 在处理表格数据时，我们可能需要将多行数据合并成一行，或者将一列数据拆分成多列，以便进行更深入的分析。
- 矩阵运算： 矩阵的乘法、转置等运算，对矩阵的形状有严格的要求。我们需要确保数组的形状符合运算规则，才能得到正确的结果。
总之，数组变形就像一个“变形金刚”的技能，能让你的数据在不同的场景中灵活切换，发挥更大的作用。
二、reshape：重塑你的数据（Reshape: The Data Sculptor）
reshape 的作用就像一个雕塑家，它能让你重新塑造数组的形状，改变数组的维度和大小。
语法：
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
new_arr = arr.reshape((3, 2)) # 将 2x3 的数组变成 3x2 的数组
print(new_arr)输出：
[[1 2]
[3 4]
[5 6]]重点解读：
reshape()方法接受一个元组作为参数，元组中的每个元素代表新数组的每个维度的大小。reshape()方法不会改变原始数组，而是返回一个新的数组。- 新数组的元素个数必须与原始数组的元素个数相同，否则会报错。 就像你不能用 6 块积木搭出一个 7 块积木的模型一样。
一些小技巧：
-
-1的妙用： 如果你想让 NumPy 自动计算某个维度的大小，可以使用-1。 例如：arr = np.array([1, 2, 3, 4, 5, 6]) new_arr = arr.reshape((2, -1)) # NumPy 会自动计算出第二个维度的大小为 3 print(new_arr)这个
-1就像一个“万能牌”，能帮你省去一些计算的麻烦。 -
多维数组的 reshape：
reshape不仅可以改变二维数组的形状，还可以改变多维数组的形状。 例如：arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) # 一个 2x2x2 的数组 new_arr = arr.reshape((2, 4)) # 变成一个 2x4 的数组 print(new_arr)可以把多维数组想象成一个“俄罗斯套娃”，
reshape可以让你改变套娃的嵌套方式。
表格总结：
| 操作 | 描述 | 例子 |
|---|---|---|
reshape(shape) |
将数组变成指定形状 shape 的新数组。shape 是一个元组，包含新数组的每个维度的大小。新数组的元素个数必须与原始数组的元素个数相同。 |
arr = np.array([1, 2, 3, 4, 5, 6]) new_arr = arr.reshape((2, 3)) # new_arr: [[1 2 3], [4 5 6]] |
reshape(-1, x) |
将数组变成指定列数 x 的二维数组，行数由 NumPy 自动计算。 |
arr = np.array([1, 2, 3, 4, 5, 6]) new_arr = arr.reshape((-1, 2)) # new_arr: [[1 2], [3 4], [5 6]] |
reshape(x, -1) |
将数组变成指定行数 x 的二维数组，列数由 NumPy 自动计算。 |
arr = np.array([1, 2, 3, 4, 5, 6]) new_arr = arr.reshape((3, -1)) # new_arr: [[1 2], [3 4], [5 6]] |
reshape(a, b, c...) |
将数组变成指定形状的多维数组。 各维度的大小必须符合要求，乘积必须等于原始数组的元素总数。 | arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) new_arr = arr.reshape((2, 4)) # new_arr: [[1 2 3 4], [5 6 7 8]] 这样可以把一个2x2x2的数组，变成一个2×4的数组，数据总量不变。 |
三、flatten：摊平你的数据（Flatten: The Pancake Maker）
flatten 的作用就像一个煎饼师傅，它能将多维数组“摊平”成一个一维数组。
语法：
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
flat_arr = arr.flatten()
print(flat_arr)输出：
[1 2 3 4 5 6]重点解读：
flatten()方法会将多维数组按照行优先的顺序（C-style）展开成一个一维数组。flatten()方法也会返回一个新的数组，不会改变原始数组。flatten()方法没有参数，使用起来非常简单。就像摊煎饼一样，一气呵成，毫不拖泥带水。
另一种方法：ravel()
除了 flatten() 方法，NumPy 还提供了 ravel() 方法，也能实现将多维数组展开成一维数组的功能。
语法：
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
raveled_arr = arr.ravel()
print(raveled_arr)输出：
[1 2 3 4 5 6]flatten() 和 ravel() 的区别：
flatten()方法会创建一个原始数组的拷贝，而ravel()方法返回的是原始数组的视图（view）。这意味着，如果修改ravel()返回的数组，会影响到原始数组。flatten()方法占用的内存空间比ravel()方法大，因为需要复制原始数组。- 在大多数情况下，
ravel()方法的效率比flatten()方法高。
可以把 flatten() 想象成“复制粘贴”，而 ravel() 想象成“快捷方式”。
表格总结：
| 操作 | 描述 | 例子 |
|---|---|---|
flatten() |
将多维数组展开成一个一维数组，返回一个拷贝，修改新数组不会影响原始数组。 | arr = np.array([[1, 2, 3], [4, 5, 6]]) flat_arr = arr.flatten() # flat_arr: [1 2 3 4 5 6] |
ravel() |
将多维数组展开成一个一维数组，返回一个视图，修改新数组会影响原始数组。 | arr = np.array([[1, 2, 3], [4, 5, 6]]) raveled_arr = arr.ravel() # raveled_arr: [1 2 3 4 5 6] |
四、实战演练：变形金刚的进阶之路 (Practice Makes Perfect: The Transformer’s Journey)
光说不练假把式，接下来我们通过一些实战案例，来巩固一下 reshape 和 flatten 的用法。
案例一：图像处理
假设我们有一张 28×28 的灰度图像，存储在一个二维数组中。现在，我们需要将这张图像转换成一个一维数组，才能输入到神经网络中。
import numpy as np
import matplotlib.pyplot as plt # 为了显示图像
# 模拟一张 28x28 的灰度图像
image = np.random.randint(0, 256, size=(28, 28))
# 显示原始图像
plt.imshow(image, cmap='gray')
plt.title("Original Image")
plt.show()
# 将图像转换成一维数组
flattened_image = image.flatten()
# 打印一维数组的形状
print("Flattened image shape:", flattened_image.shape)
# 可以用 reshape 重新变回28x28
reshaped_image = flattened_image.reshape((28,28))
# 显示reshape之后的图像
plt.imshow(reshaped_image, cmap='gray')
plt.title("Reshaped Image")
plt.show()案例二：数据分析
假设我们有一个包含学生信息的表格，存储在一个二维数组中。表格的每一行代表一个学生，每一列代表学生的姓名、年龄和成绩。现在，我们需要将所有学生的成绩提取出来，放到一个一维数组中。
import numpy as np
# 模拟学生信息表格
student_data = np.array([
['Alice', 18, 90],
['Bob', 19, 85],
['Charlie', 20, 95]
])
# 提取所有学生的成绩
scores = student_data[:, 2].astype(int) # 提取第三列（成绩），并转换为整数类型
# 打印成绩数组
print("Student scores:", scores)案例三：矩阵运算
假设我们有两个矩阵，A 和 B。我们需要计算它们的乘积。但是，在进行矩阵乘法之前，我们需要确保 A 的列数等于 B 的行数。如果形状不匹配，我们可以使用 reshape 来调整矩阵的形状。
import numpy as np
# 定义两个矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6, 7], [8, 9, 10]])
# 计算矩阵乘积
C = np.dot(A, B)
# 打印结果
print("Matrix C:n", C)这些案例只是冰山一角，reshape 和 flatten 在实际应用中还有很多其他的用途。 只要你灵活运用，就能让你的数据在不同的场景中发挥更大的作用。
五、总结：数组变形，无所不能 (Conclusion: Array Transformation, Anything is Possible)
好了，各位观众老爷们，今天的“数组变形记”就到这里告一段落了。希望通过今天的讲解，大家能够掌握 reshape 和 flatten 的用法，成为真正的“数组变形金刚”。
记住，数组变形就像魔方一样，需要不断地练习和尝试，才能找到最佳的解决方案。 不要害怕犯错，多动手实践，你一定会发现其中的乐趣。
最后，送给大家一句至理名言：“数据在手，reshape 在心，天下任我行！” 😉
感谢大家的观看，我们下期再见！ 拜拜！ 👋