简单介绍numpy.reshape(-1,1)的具体使用

共计 1123 个字符，预计需要花费 3 分钟才能阅读完成。

数组新的 shape 属性应该要与原来的配套，如果等于 - 1 的话，那么 Numpy 会根据剩下的维度计算出数组的另外一个 shape 属性值。

举个例子：

x = np.array([[2, 0], [1, 1], [2, 3]])

指定新数组行为 3，列为,2，则：

y = x.reshape(3,2)
  
y
Out[43]: 
array([[2, 0],
       [1, 1],
       [2, 3]])

指定新数组列为 1，则：

y = x.reshape(-1,1)
  
y
Out[34]: 
array([[2],
       [0],
       [1],
       [1],
       [2],
       [3]])

指定新数组列为 2，则：

y = x.reshape(-1,2)
  
y
Out[37]: 
array([[2, 0],
       [1, 1],
       [2, 3]])

指定新数组行为 1，则：

y = x.reshape(1,-1)
  
y
Out[39]: array([[2, 0, 1, 1, 2, 3]])

指定新数组行为 2，则：

y = x.reshape(2,-1)
  
y
Out[41]: 
array([[2, 0, 1],
       [1, 2, 3]])

如果你的数据只有一个特征，可以用 reshape(-1,1) 改变你的数据形状；或者如果你的数据只包含一个样本，可以使用 reshape(1,-1) 来改变。

e = np.array([1]) #只包含一个数据
f = e.reshape(1,-1) #改变形状，输出 f 之后发现它已经变成了二维数据 

import numpy as np
a = np.array([[1,2,3],[4,5,6]]) #是两行三列的数据，二维
b = np.array([1,2])    #是一维数据
c = b.reshape(-1,1)    #c 已经变成了二维数据，变成了两行一列
d = b.reshape(1,-1)    #d 变成了一行两列的数据，print('b.shape is {0}'.format(b.shape))
print(b)
print('c.shape is {0}'.format(c.shape))
print(c)
print('d.shape is {0},d array is {1}'.format(d.shape,d))

可以发现 reshape(-1,1) 是将一维数据在行上变化，而 reshape(1,-1) 是将一维数据在列上变化

到此这篇关于 numpy.reshape(-1,1) 的具体使用的文章就介绍到这了

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券