NumPy reshape() 实战：改变数组形状、增减维度与控制读取顺序

2026-07-20 23 预计阅读时间: 1 分钟
来源: realpython.com AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：7 分钟

numpy.reshape() 改变的是数组的维度组织方式，而不是元素数量。它常用于把一维数据整理成矩阵、为模型输入增加批次维度，或在图像与表格处理流程中合并多个轴。真正需要注意的并不是 API 本身，而是形状是否兼容、元素按什么顺序填入，以及结果是否与原数组共享内存。

reshape() 的核心约束：元素总数必须不变

假设数组包含 12 个元素，那么它可以变成 (3, 4)、(2, 6) 或 (2, 2, 3)，但不能变成 (5, 3)。所有维度长度的乘积必须等于原数组的 size。

下面的示例可以直接运行：

import numpy as np

values = np.arange(12)

matrix = values.reshape(3, 4)
cube = values.reshape(2, 2, 3)

print("原始形状:", values.shape)
print("矩阵形状:", matrix.shape)
print(matrix)
print("三维形状:", cube.shape)
print(cube)

输出中的元素没有增加或丢失，只是索引方式发生了变化。例如，matrix[1, 2] 对应原一维数组中的某个位置。

如果目标形状不匹配，NumPy 会抛出 ValueError：

import numpy as np

values = np.arange(12)

try:
    values.reshape(5, 3)
except ValueError as exc:
    print(exc)

这类错误通常意味着上游数据量与代码假设不一致。生产代码中可以在变形前显式检查：

rows, columns = 3, 4
if values.size != rows * columns:
    raise ValueError(f"需要 {rows * columns} 个元素，实际得到 {values.size} 个")

matrix = values.reshape(rows, columns)

用 -1 自动推导维度

当某个轴的长度可以由元素总数推导时，可以用 -1 交给 NumPy 计算。这在批量处理数据时很实用，因为样本数量可能变化，而每条记录的字段数量固定。

import numpy as np

raw = np.arange(24)
records = raw.reshape(-1, 6)

print(records.shape)  # (4, 6)
print(records)

一个 reshape() 调用中最多只能出现一个 -1。写成 reshape(-1, -1) 会产生歧义，NumPy 无法同时推断两个轴。

增加维度也可以通过 reshape() 完成。例如，把长度为 4 的向量变成单行矩阵或单列矩阵：

import numpy as np

vector = np.array([10, 20, 30, 40])

row = vector.reshape(1, -1)
column = vector.reshape(-1, 1)

print("行向量:", row.shape)
print(row)
print("列向量:", column.shape)
print(column)

移除维度时同样要遵守元素总数不变的规则。比如 (1, 2, 3) 可以整理成 (2, 3) 或 (6,)。如果目标只是删除长度为 1 的轴，np.squeeze() 往往比手写目标形状更清晰；如果要添加一个轴，np.expand_dims() 或 None 索引也能更明确地表达意图。

C 顺序与 Fortran 顺序会改变填充方式

reshape() 的 order 参数决定读取和放置元素时采用哪种索引顺序：

  • order="C"：按行优先处理，默认行为。
  • order="F"：按列优先处理。
  • order="A"：根据输入数组的内存布局选择类似 C 或 Fortran 的顺序。

可以这样观察两种顺序的差异：

import numpy as np

values = np.arange(1, 7)

by_rows = values.reshape(2, 3, order="C")
by_columns = values.reshape(2, 3, order="F")

print("C 顺序:")
print(by_rows)

print("F 顺序:")
print(by_columns)

结果分别为：

C 顺序:
[[1 2 3]
 [4 5 6]]

F 顺序:
[[1 3 5]
 [2 4 6]]

这里的 order 描述的是元素索引与重排顺序，不应简单理解为“强制把结果转换成某种连续内存布局”。当数据来自 MATLAB、Fortran 或按列组织的外部格式时，明确指定顺序尤其重要。

reshape() 的结果可能共享原数组内存

reshape() 会尽量返回视图，从而避免复制数据，但这并不是所有输入布局下都能保证的契约。连续数组通常可以直接改变索引元数据；转置、切片等操作可能产生不连续数组，此时 NumPy 可能需要复制数据。

下面展示常见的共享内存情况：

import numpy as np

source = np.arange(6)
reshaped = source.reshape(2, 3)

reshaped[0, 0] = 99

print(source)             # 第一个元素通常也变为 99
print(np.shares_memory(source, reshaped))

如果业务逻辑要求结果与原数据完全隔离，应明确复制：

independent = source.reshape(2, 3).copy()
independent[0, 0] = -1

print(source)
print(independent)

不要仅通过修改后的现象猜测是否共享数据。需要依赖这一行为时，应使用 np.shares_memory() 检查，或者直接调用 .copy() 表达所有权边界。

在数据管道中如何稳妥使用

使用 reshape() 前，可以按下面的清单检查：

  1. 确认目标各维度乘积等于 array.size。
  2. 动态维度只保留一个 -1，其余维度写清楚。
  3. 明确上游数据采用行优先还是列优先，必要时指定 order。
  4. 不要默认结果一定是视图；涉及原地修改时检查共享内存。
  5. 只增减长度为 1 的轴时，考虑 expand_dims() 与 squeeze()，让代码意图更直接。
  6. 面向机器学习模型时，同时验证轴的语义，例如 (batch, height, width, channels)，而不只是验证元素数量。

reshape() 可以让同一段连续数据适配不同算法接口，但它不会理解“样本”“通道”或“时间步”的业务含义。形状在数学上合法，不代表语义一定正确。把轴定义写进变量名、断言和测试，才能避免代码正常运行却悄悄错位的数据问题。

# Python # 后端

相关推荐