numpy.reshape

numpy.reshape(a, newshape, order='C')

为数组提供新形状，而不更改其数据。

参数：

a：array_like

形状需要被变更的数组。

newshape：int或tuple的整数

新的形状应该与原始形状兼容。如果是整数，则结果将是该长度的1-D数组。一个形状维度可以是-1。在这种情况下，从数组的长度和剩余维度推断该值。

order：{'C'，'F'，'A'}，可选

使用此索引顺序读取a的元素，并使用此索引顺序将元素放置到重新形成的数组中。'C'意味着使用C样索引顺序读取/写入元素，最后一个轴索引变化最快，回到第一个轴索引变化最慢。'F'意味着使用Fortran样索引顺序读取/写入元素，第一个索引变化最快，最后一个索引变化最慢。请注意，'C'和'F'选项不考虑底层数组的内存布局，只涉及索引的顺序。'A'意味着如果在内存中a是Fortran 连续，以类似Fortran的索引顺序读取/写入元素，否则为C样顺序。

返回：

reshaped_array：ndarray

如果可能，这将是一个新的视图对象；否则，它将是一个副本。注意，不能保证返回的数组的内存布局（C-或Fortran-contiguous）。

也可以看看

ndarray.reshape

等效方法。

笔记

在不复制数据的情况下，不能始终更改数组的形状。如果你想要一个错误，如果数据被复制，你应该分配新的形状到数组的shape属性：

>>> a = np.zeros((10, 2))
# A transpose make the array non-contiguous
>>> b = a.T
# Taking a view makes it possible to modify the shape without modifying
# the initial object.
>>> c = b.view()
>>> c.shape = (20)
AttributeError: incompatible shape for a non-contiguous array

order关键字给出了从a获取的值，然后将输出数组。例如，假设你有一个数组：

>>> a = np.arange(6).reshape((3, 2))
>>> a
array([[0, 1],
       [2, 3],
       [4, 5]])

你可以认为重塑是首先拆散数组（使用给定的索引顺序），然​​后使用与分拆相同的索引排序将元素从遍历的数组插入新的数组。

>>> np.reshape(a, (2, 3)) # C-like index ordering
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.reshape(np.ravel(a), (2, 3)) # equivalent to C ravel then C reshape
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.reshape(a, (2, 3), order='F') # Fortran-like index ordering
array([[0, 4, 3],
       [2, 1, 5]])
>>> np.reshape(np.ravel(a, order='F'), (2, 3), order='F')
array([[0, 4, 3],
       [2, 1, 5]])

例子

>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.reshape(a, 6)
array([1, 2, 3, 4, 5, 6])
>>> np.reshape(a, 6, order='F')
array([1, 4, 2, 5, 3, 6])

>>> np.reshape(a, (3,-1))       # the unspecified value is inferred to be 2
array([[1, 2],
       [3, 4],
       [5, 6]])