NumPy 系列(六):形状变换、维度操作与数组拼接

举报
yd_299290000 发表于 2026/11/17 16:07:50 2026/11/17
【摘要】 NumPy 系列(六):形状变换、维度操作与数组拼接 一、数组形状与数据组织在 NumPy 中,数组的形状(Shape)决定了数据的逻辑组织方式,但不一定决定其物理存储顺序。同一组数值可以表示为一维序列、二维矩阵或更高维数组。许多数值计算要求输入具有特定形状,因此,形状变换是 NumPy 数据处理中的基础操作。相关操作主要分为三类:调整数组形状、重新排列维度,以及组合多个数组。理解这些操作...

NumPy 系列(六):形状变换、维度操作与数组拼接

一、数组形状与数据组织

在 NumPy 中,数组的形状(Shape)决定了数据的逻辑组织方式,但不一定决定其物理存储顺序。

同一组数值可以表示为一维序列、二维矩阵或更高维数组。许多数值计算要求输入具有特定形状,因此,形状变换是 NumPy 数据处理中的基础操作。

相关操作主要分为三类:调整数组形状、重新排列维度,以及组合多个数组。

理解这些操作时,需要特别关注一个问题:操作是否需要复制底层数据。

二、reshape:调整数组形状

reshape() 用于改变数组形状,但不会改变元素总数。

import numpy as np

a = np.arange(12)

b = a.reshape(3, 4)
c = a.reshape(2, 2, 3)

print(b.shape)  # (3, 4)
print(c.shape)  # (2, 2, 3)

由于原数组包含 12 个元素,新形状各维度长度的乘积也必须等于 12。

NumPy 允许使用 -1 自动推断一个维度:

a = np.arange(12)

b = a.reshape(3, -1)

print(b.shape)  # (3, 4)

reshape() 在可能的情况下会创建视图,而不是复制数据。

但对于某些非连续数组,目标形状无法仅通过修改元数据实现,因此可能产生副本。

此外,reshape() 的 order 参数控制元素的读取及填充顺序,并不保证结果采用相应的连续内存布局。

三、transpose:重新排列维度

与 reshape() 不同,转置操作主要用于改变维度的排列顺序。

对于二维数组:

a = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

b = a.T

print(b.shape)  # (3, 2)
print(b)

输出:

[[1 4]
 [2 5]
 [3 6]]

转置通常不需要复制数据。NumPy 可以通过重新排列 shape 和 strides,改变数组的逻辑访问方式。

对于高维数组,可以使用 transpose() 指定维度顺序:

a = np.zeros((2, 3, 4))

b = a.transpose(2, 0, 1)

print(b.shape)  # (4, 2, 3)

这一操作将原来的第三个维度移动到第一位,其余维度按指定顺序排列。

在机器学习中,类似操作经常用于调整批次、时间序列或特征维度的排列。

需要强调,转置不会自动重新整理底层数据的物理顺序,因此结果可能不再具有连续的内存布局。

四、增加与删除维度

NumPy 提供 expand_dims() 和 squeeze(),用于调整长度为 1 的维度。

a = np.array([1, 2, 3])

b = np.expand_dims(a, axis=0)
c = np.expand_dims(a, axis=1)

print(b.shape)  # (1, 3)
print(c.shape)  # (3, 1)

前者将一维数组表示为单行二维数组,后者则表示为单列二维数组。

删除长度为 1 的维度可以使用:

d = np.squeeze(b)

print(d.shape)  # (3,)

这些操作通常通过修改数组元数据实现,不需要复制底层元素。

它们在广播计算中尤其重要,因为长度为 1 的维度可以决定广播沿哪个方向进行。

五、concatenate 与 stack

数组拼接涉及两种不同的操作:沿已有维度连接,以及创建新维度进行堆叠。

concatenate() 沿已有轴连接数组:

a = np.ones((2, 3))
b = np.zeros((2, 3))

x = np.concatenate([a, b], axis=0)
y = np.concatenate([a, b], axis=1)

print(x.shape)  # (4, 3)
print(y.shape)  # (2, 6)

除拼接轴之外,输入数组的其他维度必须兼容,即长度相等。

相比之下,stack() 会增加一个新的维度:

z = np.stack([a, b], axis=0)

print(z.shape)  # (2, 2, 3)

两者的核心区别是:

操作 维度数量 作用
concatenate 不变 延长已有维度
stack 增加 1 创建新维度

与通常可以返回视图的形状变换不同,数组拼接和堆叠一般需要为结果分配新的数据存储空间。

因此,在循环中反复调用这些函数,可能导致大量重复的内存分配与数据复制。

六、展平操作与连续内存

NumPy 提供两种常见的数组展平方法:

a = np.arange(6).reshape(2, 3)

b = a.ravel()
c = a.flatten()

print(np.shares_memory(a, b))  # True
print(np.shares_memory(a, c))  # False

ravel() 尽可能返回视图,但在无法满足目标访问顺序时也会复制数据。

flatten() 则始终返回副本。

对于大型数组,这一区别可能带来明显的内存成本差异。

当下游计算要求 C 连续内存布局时,可以使用:

b = np.ascontiguousarray(a)

如果输入已经满足要求,通常可以避免复制;否则需要重新分配内存并整理数据。

因此,形状变换的性能不能仅根据函数名称判断,而应结合数组的实际内存布局。

七、结语

NumPy 的形状操作建立在逻辑维度与物理存储相互分离的设计之上。

reshape() 调整形状,transpose() 重排维度,expand_dims() 与 squeeze() 修改维度数量,而 concatenate() 和 stack() 则负责组合数据。

其中,一部分操作可以通过修改元数据完成,另一部分则必须复制元素。

理解这些区别,有助于在复杂的数据处理流程中控制内存开销,并为后续学习 NumPy 的线性代数运算建立基础。


下一篇:NumPy 系列(七):矩阵运算与线性代数基础

【版权声明】本文为华为云社区用户原创内容,未经允许不得转载,如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。