NumPy 的 Reshape 函数中 -1 的意义是什么？

理解 -1 在 NumPy Reshape 中的作用

在 NumPy 中，reshape 是一个强大的函数，它允许我们改变数组，同时维护底层数据。使用 reshape 时，我们可以将数组的新形状指定为维度元组，但有时我们可能会遇到神秘的 -1 值。

解开 -1 的含义

重塑数组的标准是新的形状必须与原始形状兼容。在此上下文中，-1 用作未知维度的占位符。当我们将某一维度指定为 -1 时，NumPy 根据数组的总长度和其他指定维度来确定该维度的实际值。

使用 -1 进行重塑的示例

让我们考虑一个例子来说明 -1 在重塑中的作用。

<code class="python">import numpy as np

z = np.array([[1, 2, 3, 4],
         [5, 6, 7, 8],
         [9, 10, 11, 12]])

print(z.shape)  # (3, 4)</code>

重塑为 (12,)

<code class="python">reshaped_z = z.reshape(-1)

print(reshaped_z.shape)  # (12,)</code>

在此在这种情况下，新形状被指定为(-1,)，表明我们想要一个一维数组。 NumPy 计算未知维度为 12，得到包含原始数组所有元素的一维数组。

重塑为 (-1, 1)

<code class="python">reshaped_z = z.reshape(-1, 1)

print(reshaped_z.shape)  # (12, 1)</code>

这里，NumPy 将 -1 解释为未知的行维度，而我们将列维度指定为 1。结果是一个 12 行 1 列的二维数组。

重塑为 (1, - 1)

<code class="python">reshaped_z = z.reshape(1, -1)

print(reshaped_z.shape)  # (1, 12)</code>

在这个场景中，我们指定行数为 1，列数未知。 NumPy 将列维度确定为 12，从而得到 1 行 12 列的 2D 数组。

对单个特征或样本使用 -1

需要注意的是NumPy 建议使用 (-1, 1) 来重塑具有单个特征的数据，使用 (1, -1) 来重塑包含单个样本的数据。

<code class="python"># Reshape for a single feature
single_feature = np.reshape(z, (-1, 1))

# Reshape for a single sample
single_sample = np.reshape(z, (1, -1))</code>

-1 的限制

虽然 -1 提供了重塑的灵活性，但它不能用于将两个维度指定为未知。尝试这样做将触发 ValueError。

<code class="python"># Attempting to set both dimensions as -1
invalid_reshape = z.reshape(-1, -1)

# ValueError: can only specify one unknown dimension</code>

理解 -1 在 NumPy 重塑中的作用对于重塑未知维度的数组至关重要，使我们能够有效地操作数据，同时保持其完整性。

以上是NumPy 的 Reshape 函数中 -1 的意义是什么？的详细内容。更多信息请关注PHP中文网其他相关文章！