一图流操作示意。

数组塑形

升高维度

import numpy as np
a = np.arange(12) # 创建一个长度为 12 的一维数组
b = np.reshape(a, (3, 4)) # 改变为 3 行 4 列的二维数组
c = np.reshape(a, (2, 3, 2)) # 改变为 2 个 3 行 2 列的三维数组

降低维度

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.reshape(a, -1) # 将二维数组展开为一维数组

改变存储顺序

import numpy as np
a = np.arange(6).reshape((2, 3)) # 创建一个 2 行 3 列的二维数组
b = np.reshape(a, (3, 2), order='F') # 按列顺序存储

一维数组变成行向量和列向量

-1代表这个轴自适应填入

一维数组 → 二维数组

一维数组 → 三维数组

视图 vs 副本

视图是数据在内存中同一组数据存储，而不同的视图展示方式不同。

转置

一维数组转置

# 一维数组的转置还是其本身
a_1D_array.T
# 请大家学习使用numpy.swapaxes()

二维数组

有两种转置方式

a_row_vector.T					# 第一种
np.transpose(a_row_vector)		# 第二种

扁平化

例子：

A_3_by_5.ravel()

旋转、翻转

堆叠

按行堆叠

沿列堆叠

其中 numpy.hstack() 函数对一维数组只能起到拼接的作用，对列向量起到堆叠的作用：

拼接

堆叠结果为三维数组

可以看成将一个立方体不同的摆放位置，但是坐标轴不变。
示例代码：

A_B_1 = np.stack((A, B), axis=1)  
# dimension 1
A_B_1

重复

按元素重复

按数组重复

分块矩阵

合成

示例代码：

M = np.block([[A,                np.zeros((2, 3))],
              [np.zeros((3, 2)), B               ]])

切分