python中如何使用reshape

『壹』 python resize和reshape的區別

0. reshape的參數

reshape的參數嚴格地說，應該是tuple類型（tuple of ints），似乎不是tuple也成（ints）。

>>> x = np.random.rand(2, 3)
>>> x.reshape((3, 2))
# 以tuple of ints
array([[ 0.19399632, 0.33569667],
[ 0.36343308, 0.7068406 ],
[ 0.89809989, 0.7316493 ]])
>>> x.reshape(3, 2)
array([[ 0.19399632, 0.33569667],
[ 0.36343308, 0.7068406 ],
[ 0.89809989, 0.7316493 ]])

1. .reshape 實現維度的提升

(3, ) (3, 1)：前者表示一維數組（無行和列的概念），後者則表示一個特殊的二維數組，也即是一個列向量；

>> x = np.ones(3)
>> x
array([ 1., 1., 1.])
>> x.reshape(3, 1)
array([[ 1.],
[ 1.],
[ 1.]])
>> x.reshape(1, 3)
array([[ 1., 1., 1.]])

2. .reshape 與 .resize

reshape：有返回值，所謂有返回值，即不對原始多維數組進行修改；
resize：無返回值，所謂有返回值，即會對原始多維數組進行修改；
>> X = np.random.randn(2, 3)
>> X
array([[ 1.23077478, -0.70550605, -0.37017735],
[-0.61543319, 1.1188644 , -1.05797142]])

>> X.reshape((3, 2))
array([[ 1.23077478, -0.70550605],
[-0.37017735, -0.61543319],
[ 1.1188644 , -1.05797142]])

>> X
array([[ 1.23077478, -0.70550605, -0.37017735],
[-0.61543319, 1.1188644 , -1.05797142]])

>> X.resize((3, 2))
>> X
array([[ 1.23077478, -0.70550605],
[-0.37017735, -0.61543319],
[ 1.1188644 , -1.05797142]])

『貳』 python中numpy矩陣重排列是按行還是按列

Numpy可以使用reshape()函數進行矩陣重排列，默認按行排列（C語言風格），通過修改order參數可以改為按列排列（Fortran風格）。參考例子：

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

[[123]
[456]]

In[4]:b=a.reshape((3,2))#默認按行排列
In[5]:printb

[[12]
[34]
[56]]

In[6]:c=a.reshape((3,2),order='F')#改為Fortran風格的按列排列
In[7]:printc

[[15]
[43]
[26]]

『叄』 python行轉換成列怎麼實現

可以使用Python字元串內置的替換方法把分隔符「，」替換成『 』 換行符即可(Linux、MacOS下換行符為：" ")：

iPython下演示

『肆』 Python Opencv中對圖像的reshape(1,48,48,1)轉換的意思

用的 opencv 先灰度模糊，再二值化，找到圖形輪廓最後確定中心點·~

『伍』 Python氣象數據處理進階之Xarray(6)：數據重組與換形

這一部分涉及到了常用的操作，比如調換維度的位置，給數據重新reshape換形等等，建議大家可以認真閱讀這部分。
老樣子，先新建一個數組

比如說在求某個東西時需要將時間維放在最後一維，但是數據本身的時間在第一維，那麼便可以用到這個操作。
第一種是精準換位，指定每個維度的位置

第二種是單獨換位，只對指定維度換位,將time放在最後，其餘不變

第三種為全部換位，相當於數組轉置

擴展指增加一個維度，壓縮指將一個維度擠壓掉

官方文檔中接下來有一段是關於DataArray向DataSet轉換的，個人感覺放在這一章節並不合理，我後邊會整理放進Python氣象數據處理進階之Xarray(1)中(我覺得兩種基礎數據結構以及互相轉換應該最開始介紹的)。所以接下來跳過這部分。

個人感覺可能處理站點數據會用到這個方法
換一個數組演示

現在將這個2維數組堆疊成1維

也可以拆分，其實就是反堆疊

最重要的是不同於Pandas，Xarray的stack不缺自動丟失缺測值！！！
Xarray還提供了將不同變數stack的例子，有興趣的可以去看看。這個用法感覺比較雞肋

這塊比較難理解，建議還是先讀第一篇文章，弄清數據結構，da數組顯示Dimensions without coordinates: x，而通過da.set_index函數，將X設置為混合索引號。
之後便可以實線自由索引：

通過mda.reset_index('x')重置。
reorder_levels()函數允許調換索引順序（個人感覺比較雞肋）

這小節應該是這篇文章和數組換形換維同等重要的。

這就是對數組進行滾動。這個的作用主要在於做差分計算。雖然前邊講過Xarray提供了中央差計算函數，但是仍需要更靈活的操作，滾動函數就實現了這個目的。

『陸』 圖解Python中數據分析工具包：Numpy

numpy是我學習python遇到的第一個第三方工具包，它可以讓我們快速上手數據分析。numpy提供了向量和矩陣計算和處理的大部分介面。目前很多python的基礎工具包都是基於numpy開發而來，比如 scikit-learn, SciPy, pandas, 還有 tensorflow。 numpy可以處理表格、圖像、文本等數據，極大地方便我們處理和分析數據。本文主要內容來自於Jay Alammar的一篇文章以及自己學習記錄。
原文地址： https://jalammar.github.io/visual-numpy/

使用過程中，如果希望 Numpy 能創建並初始化數組的值， Numpy 提供了 ones()、zeros() 和 random.random() 等方法。只需傳遞希望生成的元素數量（大小）即可：

還可以進行如下操作：

一般，需要數組和單個數字之間也可以進行運算操作（即向量和標量之間的運算）。比如說 data * 1.6 ，numpy利用一個叫做廣播機制（broadcasting）的概念實現了這一運算。：

我們可以通過索引對numpy數據獲取任意位置數據或者對數據切片

我們可以通過numpy自帶的函數對數據進行一些想要的聚合計算，比如min、max 和 sum ，還可以使用 mean 得到平均值，使用 prod 得到所有元素的乘積，使用 std 得到標准差等等。

上述操作不僅可以應用於單維度數據，還可以用於多維度數據{（矩陣）。

同樣可以使用ones()、zeros() 和 random.random()創建矩陣，只要寫入一個描述矩陣維數的元組即可：

numpy還可以處理更高維度的數據：

創建更高維度數據只需要在創建時，在參數中增加一個維度值即可：

根據數組中數值是否滿足條件，輸出為True或False.

希望得到滿足條件的索引，用np.where函數實現.

根據索引得到對應位置的值.

np.where也可以接受另兩個可選擇的參數a和b。當條件滿足時，輸出a，反之輸出b.

獲取數組最大值和最小值的索引可以使用np.argmax和np.argmin.

1、numpy.tofile()和numpy.fromfile()
保存為二進制格式，但是不保存數組形狀和數據類型， 即都壓縮為一維的數組，需要自己記錄數據的形狀，讀取的時候再reshape.

2、numpy.save() 和 numpy.load()
保存為二進制格式，保存數組形狀和數據類型， 不需要進行reshape
實例：

3、numpy.savetxt()和numpy.loadtxt()

np.savetxt(fname,array,fmt=』%.18e』,delimiter=None)
Parameter解釋：
array:待存入文件的數組。
fmt:寫入文件的格式
實例：

『柒』 python 如何將三維數組轉化為點雲三維數組中只有0或者1

使用reshape命令對矩陣進行整形。使用方式reshape(X,m,n...)
改進方式:
a(:,:,1)=[1
2
3;4
5
6;7
8
9];
a(:,:,2)=[0
0
1;0
1
0;1
0
0];
a(:,:,3)=3
for
j=1:3
k=a(j,:,:);
k=reshape(k,3,3);%更改位置，3,3按照自己的矩陣變化，但要保證數目相同
[x,y]=eig(k);%x:特徵向量;y:特徵值。後期自己再改正哈程序
end

『捌』 python處理圖片數據

目錄

1.機器是如何存儲圖像的？

2.在Python中讀取圖像數據

3.從圖像數據中提取特徵的方法#1：灰度像素值特徵

4.從圖像數據中提取特徵的方法#2：通道的平均像素值

5.從圖像數據中提取特徵的方法#3：提取邊緣
是一張數字8的圖像，仔細觀察就會發現，圖像是由小方格組成的。這些小方格被稱為像素。

但是要注意，人們是以視覺的形式觀察圖像的，可以輕松區分邊緣和顏色，從而識別圖片中的內容。然而機器很難做到這一點，它們以數字的形式存儲圖像。請看下圖：

機器以數字矩陣的形式儲存圖像，矩陣大小取決於任意給定圖像的像素數。

假設圖像的尺寸為180 x 200或n x m，這些尺寸基本上是圖像中的像素數（高x寬）。

這些數字或像素值表示像素的強度或亮度，較小的數字（接近0）表示黑色，較大的數字（接近255）表示白色。通過分析下面的圖像，讀者就會弄懂到目前為止所學到的知識。

下圖的尺寸為22 x 16，讀者可以通過計算像素數來驗證：

圖片源於機器學習應用課程

剛才討論的例子是黑白圖像，如果是生活中更為普遍的彩色呢？你是否認為彩色圖像也以2D矩陣的形式存儲？

彩色圖像通常由多種顏色組成，幾乎所有顏色都可以從三原色（紅色，綠色和藍色）生成。

因此，如果是彩色圖像，則要用到三個矩陣（或通道）——紅、綠、藍。每個矩陣值介於0到255之間，表示該像素的顏色強度。觀察下圖來理解這個概念：

圖片源於機器學習應用課程

左邊有一幅彩色圖像（人類可以看到），而在右邊，紅綠藍三個顏色通道對應三個矩陣，疊加三個通道以形成彩色圖像。

請注意，由於原始矩陣非常大且可視化難度較高，因此這些不是給定圖像的原始像素值。此外，還可以用各種其他的格式來存儲圖像，RGB是最受歡迎的，所以筆者放到這里。讀者可以在此處閱讀更多關於其他流行格式的信息。

用Python讀取圖像數據

下面開始將理論知識付諸實踐。啟動Python並載入圖像以觀察矩陣：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)

#checking image shape
image.shape, image

（28，28）

矩陣有784個值，而且這只是整個矩陣的一小部分。用一個LIVE編碼窗口，不用離開本文就可以運行上述所有代碼並查看結果。

下面來深入探討本文背後的核心思想，並探索使用像素值作為特徵的各種方法。

方法#1：灰度像素值特徵

從圖像創建特徵最簡單的方法就是將原始的像素用作單獨的特徵。

考慮相同的示例，就是上面那張圖（數字『8』），圖像尺寸為28×28。

能猜出這張圖片的特徵數量嗎？答案是與像素數相同！也就是有784個。

那麼問題來了，如何安排這784個像素作為特徵呢？這樣，可以簡單地依次追加每個像素值從而生成特徵向量。如下圖所示：

下面來用Python繪制圖像，並為該圖像創建這些特徵：

image = imread('puppy.jpeg', as_gray=True)

image.shape, imshow(image)

（650，450）

該圖像尺寸為650×450，因此特徵數量應為297,000。可以使用NumPy中的reshape函數生成，在其中指定圖像尺寸：

#pixel features

features = np.reshape(image, (660*450))

features.shape, features

(297000,)
array([0.96470588, 0.96470588, 0.96470588, ..., 0.96862745, 0.96470588,
0.96470588])

這里就得到了特徵——長度為297,000的一維數組。很簡單吧？在實時編碼窗口中嘗試使用此方法提取特徵。

但結果只有一個通道或灰度圖像，對於彩色圖像是否也可以這樣呢？來看看吧！

方法#2：通道的平均像素值

在讀取上一節中的圖像時，設置了參數『as_gray = True』，因此在圖像中只有一個通道，可以輕松附加像素值。下面刪除參數並再次載入圖像：

image = imread('puppy.jpeg')
image.shape

(660, 450, 3)

這次，圖像尺寸為（660，450，3），其中3為通道數量。可以像之前一樣繼續創建特徵，此時特徵數量將是660*450*3 = 891,000。

或者，可以使用另一種方法：

生成一個新矩陣，這個矩陣具有來自三個通道的像素平均值，而不是分別使用三個通道中的像素值。

下圖可以讓讀者更清楚地了解這一思路：

這樣一來，特徵數量保持不變，並且還能考慮來自圖像全部三個通道的像素值。

image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape

(660, 450)

現有一個尺寸為（660×450×3）的三維矩陣，其中660為高度，450為寬度，3是通道數。為獲取平均像素值，要使用for循環：

for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)

新矩陣具有相同的高度和寬度，但只有一個通道。現在，可以按照與上一節相同的步驟進行操作。依次附加像素值以獲得一維數組：

features = np.reshape(feature_matrix, (660*450))
features.shape

(297000,)

方法#3：提取邊緣特徵

請思考，在下圖中，如何識別其中存在的對象：

識別出圖中的對象很容易——狗、汽車、還有貓，那麼在區分的時候要考慮哪些特徵呢？形狀是一個重要因素，其次是顏色，或者大小。如果機器也能像這樣識別形狀會怎麼樣？

類似的想法是提取邊緣作為特徵並將其作為模型的輸入。稍微考慮一下，要如何識別圖像中的邊緣呢？邊緣一般都是顏色急劇變化的地方，請看下圖：

筆者在這里突出了兩個邊緣。這兩處邊緣之所以可以被識別是因為在圖中，可以分別看到顏色從白色變為棕色，或者由棕色變為黑色。如你所知，圖像以數字的形式表示，因此就要尋找哪些像素值發生了劇烈變化。

假設圖像矩陣如下：

圖片源於機器學習應用課程

該像素兩側的像素值差異很大，於是可以得出結論，該像素處存在顯著的轉變，因此其為邊緣。現在問題又來了，是否一定要手動執行此步驟？

當然不！有各種可用於突出顯示圖像邊緣的內核，剛才討論的方法也可以使用Prewitt內核（在x方向上）來實現。以下是Prewitt內核：

獲取所選像素周圍的值，並將其與所選內核（Prewitt內核）相乘，然後可以添加結果值以獲得最終值。由於±1已經分別存在於兩列之中，因此添加這些值就相當於獲取差異。

還有其他各種內核，下面是四種最常用的內核：

圖片源於機器學習應用課程

現在回到筆記本，為同一圖像生成邊緣特徵：

#importing the required libraries
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline

#reading the image
image = imread('puppy.jpeg',as_gray=True)

#calculating horizontal edges using prewitt kernel
edges_prewitt_horizontal = prewitt_h(image)
#calculating vertical edges using prewitt kernel
edges_prewitt_vertical = prewitt_v(image)

imshow(edges_prewitt_vertical, cmap='gray')

『玖』 python基礎之numpy.reshape詳解

這個方法是在不改變數據內容的情況下，改變一個數組的格式，參數及返回值，官網介紹：

a：數組--需要處理的數據

newshape：新的格式--整數或整數數組，如(2,3)表示2行3列，新的形狀應該與原來的形狀兼容，即行數和列數相乘後等於a中元素的數量

order：

 首先做出翻譯： order  : 可選范圍為{『C』, 『F』, 『A』}。使用索引順序讀取a的元素，並按照索引順序將元素放到變換後的的數組中。如果不進行order參數的設置，默認參數為C。

（1）「C」指的是用類C寫的讀/索引順序的元素，最後一個維度變化最快，第一個維度變化最慢。以二維數組為例，簡單來講就是橫著讀，橫著寫，優先讀/寫一行。

（2）「F」是指用FORTRAN類索引順序讀/寫元素，最後一個維度變化最慢，第一個維度變化最快。豎著讀，豎著寫，優先讀/寫一列。注意，「C」和「F」選項不考慮底層數組的內存布局，只引用索引的順序。

（3）「A」選項所生成的數組的效果與原數組a的數據存儲方式有關，如果數據是按照FORTRAN存儲的話，它的生成效果與」F「相同，否則與「C」相同。這里可能聽起來有點模糊，下面會給出示例。

二、示例解釋

1、首先隨機生成一個4行3列的數組

2、使用reshape，這里有兩種使用方法，可以使用np.reshape(r,(-1,1),order='F')，也可以使用r1=r.reshape((-1,1),order='F')，這里我選擇使用第二種方法。通過示例可以觀察不同的order參數效果。

通過例子可以看出來，F是優先對列信息進行操作，而C是優先行信息操作。如果未對r的格式進行設置，那麼我們rashape的時候以「A」的順序進行order的話，它的效果和「C」相同。

3、我們將r的存儲方式進行修改，修改為類Fortan的方式進行存儲。並做與第2步類似的操作。

基礎操作樣例：

1.引入numpy，名稱為np 

2.接下來創建一個數組a，可以看到這是一個一維的數組 

3.使用reshape()方法來更改數組的形狀，可以看到看數組d成為了一個二維數組

4.通過reshape生成的新數組和原始數組公用一個內存，也就是說，假如更改一個數組的元素，另一個數組也將發生改變 

5.同理還可以得到一個三維數組 

reshape(-1,1)什麼意思：

大意是說，數組新的shape屬性應該要與原來的配套，如果等於-1的話，那麼Numpy會根據剩下的維度計算出數組的另外一個shape屬性值。

舉例：

同理，只給定行數，newshape等於-1，Numpy也可以自動計算出新數組的列數。

『拾』 python 中怎麼用numpy定義reshape的float數組

這三個數組的主要區別在於維數不同，三個數組分別是一維，二維矩陣和三維矩陣； 比如現在要定址數組中第二個元素2，分別是： a1[1] a2[0][1] a3[0][0][1]