NumPy: 形状操作

Q: reshape 什么时候会报错？

当新形状的元素总数与原数组不一致时。例如 np.arange(12).reshape(5, 3) 会报 ValueError ，因为 5×3=15 ≠ 12。

Q: flatten 和 ravel 用哪个？

默认用 ravel() ——省内存、速度快。只有当你需要确保修改不会影响原数组时，才用 flatten() 。

Q: -1 只能用一次吗？

是的。 reshape 中最多只能出现一个 -1 ，否则 NumPy 无法唯一确定每个维度的大小，会抛出 ValueError 。

Q: 多维 transpose 怎么理解？

a.transpose(i, j, k) 把原来的轴 0→i 位置、轴 1→j 位置、轴 2→k 位置。等价地， result[x_i, x_j, x_k] = a[x_0, x_1, x_2] 。可以理解为"重排轴的顺序"。

Q: newaxis 和 reshape(-1,1) 有什么区别？

效果相同，都产生视图。 newaxis 更直观（在切片中插入维度）， reshape 更显式（直接指定目标形状）。选择看个人偏好。

Q: ravel 一定返回视图吗？

不一定。当数组在内存中不连续（如转置后的数组用 C 顺序 ravel），NumPy 可能被迫返回副本。可通过 np.shares_memory() 检查。

形状操作

1. 你将学到

❶ reshape 不复制数据，只改元数据 ❷ -1 自动推断维度大小 ❸ flatten vs ravel：副本 vs 视图 ❹ transpose / .T 转置原理 ❺ newaxis 增维与 squeeze 降维

2. 一个开发者的真实故事

(1) 痛点

Bob 把 12 个数据从 3×4 变成 4×3，以为是"重新排列内存"——每次 reshape 都在拷贝数据，内存和速度都扛不住。

(2) 解法

Alice 用 Mermaid 图展示："reshape 只改了元数据，数据一字节都没动——这就是 NumPy 快的秘密。" 只要操作返回的是视图，就不会有任何数据复制。

(3) 收益

理解"视图 vs 副本"后，Bob 写的形状操作代码内存占用降了一个数量级，速度也快了数倍。只有 flatten 是真的复制，其余 reshape/ravel/transpose/swapaxes 全是视图。

3. 形状操作详解

(1) reshape 原理

reshape 改变数组的形状，但不复制数据。它只修改数组的元数据（shape 和 strides），原始数据在内存中不变。

PYTHON

import numpy as np

a = np.arange(12)
b = a.reshape(3, 4)

print(a.shape)   # (12,)
print(b.shape)   # (3, 4)
print(b.base is a)  # True — b is a view of a

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

PYTHON

# reshape does NOT copy data
b[0, 0] = 999
print(a[0])  # 999 — modifying b changes a!

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

reshape 内存图解

graph LR
    A["Original Array<br/>shape=(12,)"] -->|"reshape(3,4)"| B["View<br/>shape=(3,4)"]
    A -->|"reshape(4,3)"| C["View<br/>shape=(4,3)"]
    A -->|"reshape(2,6)"| D["View<br/>shape=(2,6)"]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#9C27B0,color:#fff

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

核心要点：A、B、C、D 共享同一块内存，只是"解读方式"不同。

(2) -1 自动推断

reshape 中可以用 -1 让 NumPy 自动计算该维度的大小。

PYTHON

a = np.arange(12)

# NumPy infers: 12 / 3 = 4
b = a.reshape(3, -1)     # shape = (3, 4)

# NumPy infers: 12 / 4 = 3
c = a.reshape(-1, 4)     # shape = (3, 4)

# NumPy infers: 12 / 2 / 2 = 3
d = a.reshape(2, -1, 2)  # shape = (2, 3, 2)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

规则：总元素数 = 各维度乘积，-1 位置由 NumPy 自动推算。

(3) C 顺序 vs F 顺序

特性	C 顺序（行优先）	F 顺序（列优先）
关键字	`order='C'`	`order='F'`
遍历方向	最后一个维度变化最快	第一个维度变化最快
内存布局	行连续	列连续
默认	✅ NumPy 默认	❌
适用场景	大多数情况	与 Fortran/MATLAB 交互

PYTHON

a = np.arange(6).reshape(2, 3, order='C')
# [[0 1 2]
#  [3 4 5]]  — row-major

b = np.arange(6).reshape(2, 3, order='F')
# [[0 2 4]
#  [1 3 5]]  — column-major

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

(4) flatten vs ravel

特性	`flatten()`	`ravel()`
返回值	副本（copy）	视图（view，如果可能）
修改结果	不影响原数组	影响原数组
内存占用	高（新分配）	低（共享）
性能	较慢	较快
安全性	✅ 安全	⚠️ 修改会传播

PYTHON

a = np.arange(12).reshape(3, 4)

f = a.flatten()   # copy
r = a.ravel()     # view (usually)

f[0] = 999
print(a[0, 0])  # 0 — flatten is a copy, a unchanged

r[0] = 888
print(a[0, 0])  # 888 — ravel is a view, a changed!

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

(5) transpose / .T

转置交换轴的顺序。对于 2D 数组，就是行列互换。

PYTHON

a = np.arange(12).reshape(3, 4)
# shape = (3, 4)

b = a.T          # shape = (4, 3)
c = a.transpose()  # same as .T

# For 3D arrays, specify axis order
d = np.arange(24).reshape(2, 3, 4)
e = d.transpose(2, 0, 1)  # axes reordered: (4, 2, 3)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

方式	用法	适用场景
`.T`	`a.T`	2D 简洁转置
`transpose()`	`a.transpose()`	2D 转置
`transpose(axes)`	`a.transpose(2, 0, 1)`	多维自定义轴序
`swapaxes()`	`a.swapaxes(0, 1)`	交换指定两个轴

(6) newaxis 增维

np.newaxis（等价于 None）用于在指定位置增加长度为 1 的维度。

PYTHON

a = np.array([1, 2, 3])       # shape = (3,)

# Add column dimension
b = a[:, np.newaxis]           # shape = (3, 1)

# Add row dimension
c = a[np.newaxis, :]           # shape = (1, 3)

# Both ways produce the same result
d = a[:, None]                 # same as a[:, np.newaxis]

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

增维方式	写法	说明
`np.newaxis`	`a[:, np.newaxis]`	可读性好
`None`	`a[:, None]`	简短等价写法
`reshape`	`a.reshape(-1, 1)`	显式指定形状
`expand_dims`	`np.expand_dims(a, axis=1)`	函数式写法

(7) squeeze 降维

squeeze 移除长度为 1 的维度。

PYTHON

a = np.arange(12).reshape(1, 3, 4, 1)
# shape = (1, 3, 4, 1)

b = np.squeeze(a)              # shape = (3, 4)
c = np.squeeze(a, axis=0)      # shape = (3, 4, 1)
d = np.squeeze(a, axis=3)      # shape = (1, 3, 4)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

(8) swapaxes 交换轴

swapaxes 交换两个指定轴，是 transpose 的简化版本。

PYTHON

a = np.arange(24).reshape(2, 3, 4)
# shape = (2, 3, 4)

b = a.swapaxes(0, 1)   # shape = (3, 2, 4)
c = a.swapaxes(1, 2)   # shape = (2, 4, 3)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：reshape 多种变形（难度⭐）

PYTHON

import numpy as np

a = np.arange(12)
print(f"Original: shape={a.shape}")

# Various valid reshapes
print(f"reshape(3,4):  {a.reshape(3, 4).shape}")
print(f"reshape(4,3):  {a.reshape(4, 3).shape}")
print(f"reshape(2,6):  {a.reshape(2, 6).shape}")
print(f"reshape(6,2):  {a.reshape(6, 2).shape}")
print(f"reshape(2,2,3): {a.reshape(2, 2, 3).shape}")
print(f"reshape(3,2,2): {a.reshape(3, 2, 2).shape}")

# All share the same memory
b = a.reshape(3, 4)
b[0, 0] = -1
print(f"a[0] after modifying b: {a[0]}")  # -1

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：-1 自动推断（难度⭐）

PYTHON

import numpy as np

a = np.arange(24)

# Let NumPy infer one dimension
print(a.reshape(4, -1).shape)      # (4, 6)
print(a.reshape(-1, 8).shape)      # (3, 8)
print(a.reshape(2, -1, 4).shape)   # (2, 3, 4)
print(a.reshape(-1, 2, 2, 2).shape) # (3, 2, 2, 2)

# Invalid: more than one -1
try:
    a.reshape(-1, -1, 4)  # ERROR: can only specify one unknown dimension
except ValueError as e:
    print(f"Error: {e}")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：flatten vs ravel 与 base 追踪（难度⭐⭐）

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

f = a.flatten()
r = a.ravel()

# Check who owns the data
print(f"flatten base is a? {f.base is a}")   # False — copy
print(f"ravel  base is a? {r.base is a}")     # True  — view

# Modify the flattened copy
f[0] = 9999
print(f"After f[0]=9999, a[0,0]={a[0, 0]}")  # 0 — unchanged

# Modify the raveled view
r[0] = 8888
print(f"After r[0]=8888, a[0,0]={a[0, 0]}")  # 8888 — changed!

# For non-contiguous arrays, ravel may also copy
a_f = np.arange(12).reshape(3, 4, order='F')
r_f = a_f.ravel(order='C')
print(f"F-order ravel C-order base: {r_f.base is a_f}")  # may be False

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：transpose / .T 多维转置（难度⭐⭐）

PYTHON

import numpy as np

# 2D transpose
a = np.arange(12).reshape(3, 4)
print(f"Original shape: {a.shape}")       # (3, 4)
print(f"a.T shape:      {a.T.shape}")     # (4, 3)
print(f"a[1,2] = {a[1, 2]}")             # 6
print(f"a.T[2,1] = {a.T[2, 1]}")         # 6 — same data

# 3D transpose with custom axis order
b = np.arange(24).reshape(2, 3, 4)
print(f"b.shape = {b.shape}")                    # (2, 3, 4)

c = b.transpose(2, 0, 1)
print(f"b.transpose(2,0,1) = {c.shape}")         # (4, 2, 3)

# Verify element correspondence
print(f"b[1, 2, 3] = {b[1, 2, 3]}")              # 23
print(f"c[3, 1, 2] = {c[3, 1, 2]}")              # 23

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：newaxis 增维与广播（难度⭐⭐）

PYTHON

import numpy as np

a = np.array([1, 2, 3])       # shape (3,)
b = np.array([10, 20, 30, 40]) # shape (4,)

# Outer product via newaxis
outer = a[:, np.newaxis] * b[np.newaxis, :]
print(f"Outer product shape: {outer.shape}")  # (3, 4)
print(outer)
# [[ 10  20  30  40]
#  [ 20  40  60  80]
#  [ 30  60  90 120]]

# Equivalent with reshape
outer2 = a.reshape(-1, 1) * b.reshape(1, -1)
print(f"Same result? {np.array_equal(outer, outer2)}")  # True

# expand_dims is the function version
c = np.expand_dims(a, axis=0)   # shape (1, 3)
d = np.expand_dims(a, axis=1)   # shape (3, 1)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：squeeze 与 swapaxes（难度⭐⭐）

PYTHON

import numpy as np

# squeeze: remove size-1 dimensions
a = np.arange(12).reshape(1, 3, 4, 1)
print(f"Before squeeze: {a.shape}")                    # (1, 3, 4, 1)
print(f"After squeeze all: {np.squeeze(a).shape}")     # (3, 4)
print(f"Squeeze axis=0: {np.squeeze(a, 0).shape}")    # (3, 4, 1)
print(f"Squeeze axis=3: {np.squeeze(a, 3).shape}")    # (1, 3, 4)

# swapaxes: swap two specific axes
b = np.arange(24).reshape(2, 3, 4)
print(f"Original:    {b.shape}")                       # (2, 3, 4)
print(f"swapaxes(0,1): {b.swapaxes(0, 1).shape}")     # (3, 2, 4)
print(f"swapaxes(1,2): {b.swapaxes(1, 2).shape}")     # (2, 4, 3)

# swapaxes is its own inverse
c = b.swapaxes(0, 1).swapaxes(0, 1)
print(f"Double swap back: {np.shares_memory(b, c)}")  # True

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

4. 综合示例

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：8×8 灰度图像全流程（难度⭐⭐⭐）

场景：Charlie 有一张 8×8 灰度图像数据，依次做 reshape→flatten→ravel→transpose，全程验证内存共享。

PYTHON

import numpy as np

# Charlie's 8x8 grayscale image (64 pixels)
img = np.arange(64, dtype=np.float32).reshape(8, 8)
print(f"1. Original image shape: {img.shape}")
print(f"   img[0,0]={img[0,0]}, img[7,7]={img[7,7]}")

# Step 1: reshape to 4x16 (4 rows, 16 cols)
img_4x16 = img.reshape(4, 16)
print(f"\n2. After reshape(4,16): {img_4x16.shape}")
print(f"   Shares memory with original? {np.shares_memory(img, img_4x16)}")

# Step 2: reshape to 4x4x4 (4 blocks, 4 rows, 4 cols)
img_4x4x4 = img.reshape(4, 4, 4)
print(f"\n3. After reshape(4,4,4): {img_4x4x4.shape}")
print(f"   Shares memory with original? {np.shares_memory(img, img_4x4x4)}")

# Step 3: ravel (view)
img_ravel = img.ravel()
print(f"\n4. After ravel: {img_ravel.shape}")
print(f"   Shares memory with original? {np.shares_memory(img, img_ravel)}")

# Step 4: flatten (copy)
img_flatten = img.flatten()
print(f"\n5. After flatten: {img_flatten.shape}")
print(f"   Shares memory with original? {np.shares_memory(img, img_flatten)}")

# Step 5: transpose the reshaped view
img_4x16_T = img_4x16.T
print(f"\n6. After transpose of (4,16): {img_4x16_T.shape}")
print(f"   Shares memory with img_4x16? {np.shares_memory(img_4x16, img_4x16_T)}")

# Step 6: Modify through view chain
img_ravel[0] = 999.0
print(f"\n7. After ravel[0]=999.0:")
print(f"   img[0,0]={img[0,0]}")       # 999.0 — view chain propagated
print(f"   img_4x16[0,0]={img_4x16[0,0]}")  # 999.0

img_flatten[1] = 777.0
print(f"   img[0,1]={img[0,1]}")       # 1.0 — flatten is a copy, unchanged

# Step 7: Restore and swapaxes
img[0, 0] = 0.0
img_swapped = img.reshape(8, 8, 1).swapaxes(0, 2)
print(f"\n8. After swapaxes(0,2) on (8,8,1): {img_swapped.shape}")
print(f"   Shares memory? {np.shares_memory(img, img_swapped)}")

# Summary table
print("\n=== Memory Sharing Summary ===")
ops = {
    'reshape(4,16)': img_4x16,
    'reshape(4,4,4)': img_4x4x4,
    'ravel()': img_ravel,
    'flatten()': img_flatten,
    'transpose(.T)': img_4x16_T,
    'swapaxes(0,2)': img_swapped,
}
for name, arr in ops.items():
    shared = np.shares_memory(img, arr)
    print(f"  {name:20s} | shares_memory={shared} | view={'Yes' if shared else 'No (copy)'}")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

❓ 常见问题

Q reshape 什么时候会报错？

A 当新形状的元素总数与原数组不一致时。例如 np.arange(12).reshape(5, 3) 会报 ValueError，因为 5×3=15 ≠ 12。

Q flatten 和 ravel 用哪个？

A 默认用 ravel()——省内存、速度快。只有当你需要确保修改不会影响原数组时，才用 flatten()。

Q -1 只能用一次吗？

A 是的。reshape 中最多只能出现一个 -1，否则 NumPy 无法唯一确定每个维度的大小，会抛出 ValueError。

Q 多维 transpose 怎么理解？

A a.transpose(i, j, k) 把原来的轴 0→i 位置、轴 1→j 位置、轴 2→k 位置。等价地，result[x_i, x_j, x_k] = a[x_0, x_1, x_2]。可以理解为"重排轴的顺序"。

Q newaxis 和 reshape(-1,1) 有什么区别？

A 效果相同，都产生视图。newaxis 更直观（在切片中插入维度），reshape 更显式（直接指定目标形状）。选择看个人偏好。

Q ravel 一定返回视图吗？

A 不一定。当数组在内存中不连续（如转置后的数组用 C 顺序 ravel），NumPy 可能被迫返回副本。可通过 np.shares_memory() 检查。

📖 小节

reshape — 不复制（视图），关键用法：a.reshape(3, 4) / a.reshape(-1, 3)
ravel — 不复制（通常视图），关键用法：a.ravel()
flatten — 复制（副本），关键用法：a.flatten()
.T / transpose — 不复制（视图），关键用法：a.T / a.transpose(2, 0, 1)
newaxis — 不复制（视图），关键用法：a[:, np.newaxis]
squeeze — 不复制（视图），关键用法：np.squeeze(a) / np.squeeze(a, axis=0)
swapaxes — 不复制（视图），关键用法：a.swapaxes(0, 1)

核心心法：reshape/ravel/transpose/swapaxes 都是"换眼镜不换桌子"——数据不动，只是解读方式变了。只有 flatten 是真的"复印一份"。

📝 作业

(1) 6 种 reshape

对 np.arange(60)，写出 6 种不同的合法 reshape 形状（如 (6,10)），并打印每种结果的 shape。

(2) 验证 ravel 视图与 flatten 副本

创建 a = np.arange(20).reshape(4, 5)
分别调用 r = a.ravel() 和 f = a.flatten()
修改 r[0] = 999，检查 a[0, 0] 是否变化
修改 f[1] = 777，检查 a[0, 1] 是否变化
用 np.shares_memory() 验证

(3) newaxis 1D→3D

创建 a = np.array([10, 20, 30, 40, 50])（shape (5,)）
用 newaxis 将其变为 shape (1, 5, 1)
再用 squeeze 还原为 (5,)
验证每步的 shape 和内存共享情况

Web-Tutorial 技术团队

由多位开发者共同维护的编程教程平台。每篇教程由对应领域的开发者编写和审核，确保内容准确可靠。如发现任何问题，欢迎向我们反馈。

关于我们

NumPy: 形状操作

形状操作

1. 你将学到

2. 一个开发者的真实故事

(1) 痛点

(2) 解法

(3) 收益

3. 形状操作详解

(1) reshape 原理

reshape 内存图解

(2) -1 自动推断

(3) C 顺序 vs F 顺序

(4) flatten vs ravel

(5) transpose / .T

(6) newaxis 增维

(7) squeeze 降维

(8) swapaxes 交换轴

▶ 示例

▶ 示例

▶ 示例

▶ 示例

▶ 示例

▶ 示例

4. 综合示例

▶ 示例

❓ 常见问题

📖 小节

📝 作业

(1) 6 种 reshape

(2) 验证 ravel 视图与 flatten 副本

(3) newaxis 1D→3D

🙏 帮我们做得更好