可以使用参数为-1的重塑函数将数值矩阵重塑为向量。但我不知道-1在这里是什么意思。
例如:
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
b = numpy.reshape(a, -1)
的结果
是:
有人知道-1在这里是什么意思吗?python assign -1似乎有几种含义,例如:
表示最后一个元素。你能解释一下吗?
发布于 2017-02-28 21:48:52
提供新形状要满足的标准是
‘新形状应与原始形状兼容’
numpy允许我们给出一个新的形状参数为-1 (例如:(2,-1)或(-1,3),而不是(-1,-1))。这仅仅意味着它是一个未知的维度,我们想让numpy来解决它。numpy将通过查看
‘数组的长度和剩余维度’
并确保它满足上述标准
现在请看示例。
z = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
z.shape
(3, 4)
现在尝试使用(-1)重塑。结果新形状为(12,),并与原始形状(3,4)兼容
z.reshape(-1)
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
现在尝试用(-1,1)重塑。我们提供了列作为1,但行作为未知。因此我们得到的新形状为(12,1).again与原始形状(3,4)兼容
z.reshape(-1,1)
array([[ 1],
[ 2],
[ 3],
[ 4],
[ 5],
[ 6],
[ 7],
[ 8],
[ 9],
[10],
[11],
[12]])
以上内容与
建议/错误消息,使用
用于单个功能;即单列
使用重塑您的数据
如果您的数据具有
单一功能
新形状为(-1,2)。行未知,列2。我们得到的结果新形状为(6,2)。
z.reshape(-1, 2)
array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 8],
[ 9, 10],
[11, 12]])
现在尝试将列保留为未知。新形状为(1,-1)。即,行为1,列未知。我们得到的结果新形状为(1,12)
z.reshape(1,-1)
array([[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]])
以上内容与
建议/错误消息,使用
对于单个样本;即单行
使用重塑您的数据
如果它包含一个
单一样本
新形状(2,-1)。第2行,第2列未知。我们得到的结果是新的形状为(2,6)
z.reshape(2, -1)
array([[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12]])
新形状为(3,-1)。第3行,列未知。我们得到的结果是新的形状为(3,4)
z.reshape(3, -1)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
最后,如果我们尝试将两个维度都提供为未知,即新形状为(-1,-1)。它将抛出一个错误
z.reshape(-1, -1)
ValueError: can only specify one unknown dimension
发布于 2013-09-09 11:27:07
根据
newshape : int或int的元组
新形状应与原始形状兼容。如果是整数,则结果将是该长度的一维数组。一个形状维度可以是
-1。在这种情况下,该值是从数组的长度和剩余维度推断出来的。
发布于 2017-01-03 00:41:36
numpy.reshape(a,newshape,order{})
查看下面的链接了解更多信息。
https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html
对于您提到的下面的示例,输出将结果向量解释为单行。(- 1 )表示行数为1。
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
b = numpy.reshape(a, -1)
输出:
matrix([[1, 2, 3, 4, 5, 6, 7, 8]])
可以用另一个例子更准确地解释这一点:
b = np.arange(10).reshape((-1,1))
输出:(一维数组)
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
或者
b = np.arange(10).reshape((1,-1))
输出:(是一个一维的行数组)
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
https://stackoverflow.com/questions/18691084
复制相似问题