这一阵在用python做DRL建模的时候，尤其是在配合使用tensorflow的时候，加上tensorflow是先搭框架再跑数据，所以调试起来很不方便，经常遇到输入数据或者中间数据shape的类型不统一，导致一些op老是报错。而且由于水平菜，所以一些常用的数据shape转换操作也经常百度了还是忘，所以想再整理一下。
一、数据的基本属性
求一组数据的长度
|
1
2
3
|
a = [1,2,3,4,5,6,7,8,9,10,11,12]print(len(a))print(np.size(a)) |
求一组数据的shape
list是没有shape属性的，所以需要把它转换成np或者使用np.shape()
|
1
2
3
|
b = [[1,2,3],[4,5,6],[7,8,9]]print(np.shape(b))print(np.array(b).shape) |
二、数据的拼接
append是直接将数组或者数据直接追加到下一个元素的位置，而extend是将数据最外层的[]去掉后追加。
|
1
2
3
4
5
6
7
|
c = [1,1,1,1]d = [[2,2],[[2,2],[2,2]]]c.append([1,2,3])d.extend([1,2,3])[1, 1, 1, 1, [1, 2, 3]][[2, 2], [[2, 2], [2, 2]], 1, 2, 3] |
另外也可以通过numpy中的方法来进行拼接
其中np.concatenate()的作用更偏向与数据的连接，通过其中的axis参数可以进行指定行列的拼接。
而np.append()的作用是将value b追加到arr a中。
|
1
2
3
4
5
6
7
|
c = np.concatenate((a, b))d = np.append(a,b)print(c)print(d)[1 1 1 1 2 2 2 2][1 1 1 1 2 2 2 2] |
三、数据的shape的转换
1、转置
数据的转置也经常会用到，通常可以用到numpy的transpose()方法或者直接将数据转换为numpy array后用.T或者用reshape()方法。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
a = [[1,1,1], [1,1,1]]b = [[2,2,2], [2,2,2]]c = [[3,3,3], [3,3,3]]b = np.array(b)c = np.array(c)print(np.transpose(a))print(b.T)print(np.reshape(c, (c.shape[1], c.shape[0])))[[1 1] [1 1] [1 1]][[2 2] [2 2] [2 2]][[3 3] [3 3] [3 3]] |
2、数据展开
如果是一个多维的数组，可以直接使用np.reshape(-1)来进行转换，reshape是一个很好用的函数，其中的参数含义后面会讲到。
|
1
2
3
4
5
6
7
8
|
c = [[[3,3,3], [3,3,3]], [[2,2,2], [2,2,2]]]print(np.reshape(c, -1))[3 3 3 3 3 3 2 2 2 2 2 2] |
3、维度转换
有时候可能会用到将一个一维的数组转换为二维，或者是在column方向或row方向上增加维度。
当给col方向增加维度时，可以直接arr[:,np.newaxis],
给row方向增加维度时，可以arr[np.newaxis,:]
另外，这里的np.newaxis可以这样理解：
一个[1,2,3,4,5]数组的shape是（5，）,如果对它[:,np.newaix]的话，得到的shape就是（5，1）
对它[np.newaix, :]的话，得到的结果就是（1，5）。所以说newaxis加在哪个位置，哪个位置相应的维度就会产生一个新的维度。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
a = np.array([1,1,1,1])b = a[np.newaxis,:]c = a[:,np.newaxis]print(b)print(c)[[1 1 1 1]][[1] [1] [1] [1]] |
另外再说一个将多维数组转换为一维的两种方法：arr.ravel()和arr.flatten()。
两者的不同之处在于arr.flatten()返回的是arr展开后的数组的复制，而arr.ravel()返回的是arr展开后的本身。
一个是对值的操作，另一个是对地址的操作。
类似c、c++中的指针。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
a = np.array([[1,2,3]])b = np.array([[1,2,3]])a1 = a.flatten()b1 = b.ravel()print(a)print(b)a1[0] = 8b1[0] = 8print(a)print(b)[[1 2 3]][[1 2 3]][[1 2 3]][[8 2 3]] |
4、reshape
def reshape(a, newshape, order='C'):
其中newshape参数可以传入一个[]或者tuple。
当数据的形状不确定时，如果想转换为1行，列数不确定的话，newshape可以传入(1, -1);
如果想转换为1列，行数不确定的话，newshape可以传入(-1, 1);
同理如果是2列或者2行的话，就是(-1, 2)或者(2，-1)。
其中-1代表的是一个模糊控制，就是不确定的意思。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
a = [[1,1,1], [1,1,1]]b = [[2,2,2], [2,2,2]]c = [[[3,3,3], [3,3,3]], [[2,2,2], [2,2,2]]]print(np.reshape(c, [-1, 1]))print(np.reshape(b, [-1, 1]))print(np.reshape(c, [2, -1]))[[3] [3] [3] [3] [3] [3] [2] [2] [2] [2] [2] [2]][[2] [2] [2] [2] [2] [2]][[3 3 3 3 3 3] [2 2 2 2 2 2]] |
以上这篇基于Python对数据shape的常见操作详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/FrankieHello/article/details/78752594
