Question

我最近正在阅读一个开源项目的源代码。当程序员想要将array([0, 1, 2])之类的行向量转换为array([[0], [1], [2]])之类的列向量时，会使用np.reshape(x, (-1,1))。在评论中，它说重塑是必要的，以保持与[:, np.newaxis]没有的数据连续性。

我尝试了两种方式，看起来他们会返回相同的结果。那么数据邻接保存在这里意味着什么呢？

Answer 1

两种方式都返回完全相同数据的视图，因此“数据连续性”可能不是问题，因为数据没有变化，只有视图被更改。请参阅Numpy: use reshape or newaxis to add dimensions。

然而，使用.reshape((-1,1))可能有一个实际的优势，因为无论原始形状如何，它都会将数组重新整形为2d数组。对于[:, np.newaxis]，结果将取决于数组的原始形状，考虑到这些：

In [3]: a1 = np.array([0, 1, 2])

In [4]: a2 = np.array([[0, 1, 2]])

In [5]: a1.reshape((-1, 1))
Out[5]: 
array([[0],
       [1],
       [2]])

In [6]: a2.reshape((-1, 1))
Out[6]: 
array([[0],
       [1],
       [2]])

In [7]: a1[:, np.newaxis]
Out[7]: 
array([[0],
       [1],
       [2]])

In [8]: a2[:, np.newaxis]
Out[8]: array([[[0, 1, 2]]])

np.reshape（x，（ - 1,1））vs x [：，np.newaxis]

1 个答案: