我最近在阅读一个开源项目的源代码。当程序员想要将像 array([0, 1, 2])
这样的行向量转换为像 array([[0], [1], [2]] 这样的列向量时)
,使用了 np.reshape(x, (-1,1))
。
在评论中,它说 reshape 对于保持数据连续性是必要的,而 [:, np.newaxis]
则不需要。
这两种方式我都试过了,好像返回的结果是一样的。那么这里的数据连续性保存是什么意思呢?
最佳答案
两种方式都返回完全相同数据的 View ,因此“数据连续性”可能不是问题,因为数据没有改变,只是 View 发生了改变。参见 Numpy: use reshape or newaxis to add dimensions .
然而,使用 .reshape((-1,1))
可能有一个实际优势,因为它会将数组 reshape 为二维数组,而不管原始形状如何。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]]])
关于python - np.reshape(x, (-1,1)) vs x[ :, np.newaxis],我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46334014/