我的Python100天打卡:58/100 第十六章:Numpy数组的规整/一维数组→行列向量/一维数组→二维数组
- 2026-02-05 02:27:44
上次笔记，完成了第十五章的所有部分，并完成了第十五章的三个练习，巩固了Numpy关于数学公式（尤其是一元、二元高斯函数）的表达。今天新开第十六章：Numpy数组的规整。具体内容包括：
16.1 从reshape（）函数说起
16.2 一维数组➡️行向量、列向量
16.3 一维数组➡️二维数组
--
先看第十六章的思维导图以及视频讲解：
这一章主要关注“数组规整”这部分，包括：
1. “重塑”（包括：一维数组变换为行列向量、变换为二维数组、变换为三维数组）
2. “视图vs副本”（之前有稍微提过）
3. “数组规整的其他操作”（包括：转置、扁平化、旋转翻转、堆叠、重复、分块等）
--
16.1 从reshape()函数说起
在Numpy中，如果要改变数组的形状（也称“重塑数组”），可以使用numpy.reshape()函数。用法如下：
numpy.reshape(a, newshape, order = 'C')这个函数的用法，书本用了一页纸来介绍；我比较懒，还是求助AI助手“百岁太奶”帮我解释下：
1️⃣.reshape() 有什么用：
2️⃣关键参数的解释：
3️⃣一句话解释（含专业术语）：
-
16.2 一维数组➡️行向量、列向量
1️⃣需要导入的头文件：
# 导入包import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltimport mathfrom matplotlib import cm# 导入色谱import os# 如果文件夹不存在，创建文件夹if not os.path.isdir("Figures"):os.makedirs("Figures")
2️⃣自定义可视化函数代码：
def visualize_2D(array, title, vmax, vmin):fig_width = math.ceil(array.shape[1] * 0.5)fig_length = math.ceil(array.shape[0] * 0.5)fig, ax = plt.subplots(figsize=(fig_width, fig_length))# 注意，seaborn.heatmap() 目前只能接受2D数组# 本书中，一维数组可视化时用圆圈# 可视化时，只有二维、三维数组用方块sns.heatmap(array,vmax = vmax,vmin = vmin,annot = True, # 增加注释fmt = ".0f", # 注释数值的格式square = True, # 热图方格为正方形cmap = 'RdYlBu_r', # 指定色谱linewidths = .5, # 方格线宽cbar = False, # 不显示色谱条yticklabels=False, # 不显示纵轴标签xticklabels=False, # 不显示横轴标签ax = ax) # 指定绘制热图的轴fig.savefig('Figures/' + title + '.svg', format='svg')# 定义绘制一元数组可视化函数def visualize_1D(array, title):fig, ax = plt.subplots()colors = cm.RdYlBu_r(np.linspace(0,1,len(array)))for idx in range(len(array)):circle_idx = plt.Circle((idx, 0), 0.5, facecolor=colors[idx], edgecolor = 'w')ax.add_patch(circle_idx)ax.text(idx, 0, s = str(array[idx]),horizontalalignment = 'center',verticalalignment = 'center')ax.set_xlim(-0.6, 0.6 + len(array))ax.set_ylim(-0.6, 0.6)ax.set_aspect('equal', adjustable='box')ax.axis('off')fig.savefig('Figures/' + title + '.svg', format='svg')
3️⃣具体执行的变换代码及其运行结果：
2.1 一维数组→行向量
a_row_vector = a_1D_array.reshape(1,-1)# 有时候，当你想要改变数组的形状，但是不确定新的形状应该是多少时，你可以使用 -1 这个特殊值来指定某一个维度的大小np.reshape(a_1D_array, (1,-1))# 把numpy.reshape() 当成一个函数来用np.reshape(a_1D_array, (1,15))# 把numpy.reshape() 当成一个函数来用visualize_2D(a_row_vector, '行向量', 7, -7)
⬆️特别注意：虽然看似只有“一行”，但其实这是一个“行向量”，维度是“二维”的。这个数组的形状为（1,15），也就是行只有一个，列则有15个：
2.2 一维数组→列向量
通过下面的关键代码，使其变为“列向量”（特别注意reshape的第一个参数设置为“-1”）：
a_col_vector = a_1D_array.reshape(-1,1)运行可视化结果：
⬆️同样地：虽然看似只有“一列”，但其实这是一个“列向量”，维度是“二维”的。这个数组的形状为（15,1），也就是行有15个，列则有1个。
-
16.3 一维数组➡️二维数组
下面，使用" a = numpy.arange(-7, 7+1)"，来生成数组有15个的特定元素的3x5矩阵（二维数组）。
相关实现代码如下：
1️⃣先将之前“重塑”为列向量的数组，重新通过reshape方法，重新转换为二维数组：
A_3_by_5 = a_1D_array.reshape(3, 5)# 先行后列为默认顺序
示例代码提供了【65】和【66】两种排序方法，虽然看起来结果一样，但却是完全不同的排序逻辑：
其中：【65】的参数为(3, -1)，意思是先按“一个列必须要排3个元素”来排序，至于能排多少列，由计算机自动计算；
【66】的参数为(-1, 5)，意思是按照“每行必须排5人”来算，至于能排多少行，由计算机自动计算。
2️⃣用reshape方法，改为3行5列的矩阵，按照“先列后行”的顺序来排列：
A_3_by_5_col_order = a_1D_array.reshape(3, 5, order = 'F')
3️⃣同样地：5行3列，只需要调换一下reshape方法的参数：
A_5_by_3 = a_1D_array.reshape(5, 3)
--
时间关系，今天就先写到这里～
今天的笔记也是很快，我的学习重点在于理解参数的位置对于代码的具体影响。
剩下三维数组的变化，明天再继续～
笔记写于：2026年2月4日23:29:05
结束于：2026年2月5日00:17:32
用时：约40分钟
--
