NumPy 系列(六):形状变换、维度操作与数组拼接
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
- 点赞
- 收藏
- 关注作者
评论(0)