Numpy 数组中 reshape 和 resize 的区别

在使用 NumPy 数组时，常常需要对数组进行维度重组。在此过程中，我们经常会用到 reshape 和 resize。这两个函数都可以用来改变数组的形状，但是它们有着不同的用法和区别。本文将会详细探讨 reshape 和 resize 的区别。

阅读更多：Numpy 教程

数组的形状

在详细讨论 reshape 和 resize 的区别之前，我们需要了解一下数组的形状。NumPy 数组是由若干维构成的，每一维都有固定的长度。数组的形状可以用一个元组来描述，元组的长度即为数组的维数。例如，下面的代码创建了一个二维数组，并输出了它的形状：

import numpy as np

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

输出结果为：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

(3, 4)

可以看出，a 是一个 3 × 4 的二维数组，其形状为 (3, 4)。当我们想要改变数组的形状时，就要使用 reshape 或 resize 函数了。

reshape 函数

reshape 函数可以用来改变数组的形状，其语法如下：

numpy.reshape(a, newshape, order='C')

其中，a 是要重塑的数组，newshape 是一个整数或者一个表示新形状的元组，order 是可选参数，表示输出数组的存放顺序，默认为 C。

reshape 函数的返回值是数组的一个拷贝，它的形状和数据与原来的数组不同。

下面是一个例子，演示了如何使用 reshape 函数改变数组的形状：

import numpy as np

a = np.arange(12)
print(a)

b = np.reshape(a, (3, 4))
print(b)

c = np.reshape(a, (3, 4), order='F')
print(c)

输出结果为：

[ 0  1  2  3  4  5  6  7  8  9 10 11]

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

[[ 0  3  6  9]
 [ 1  4  7 10]
 [ 2  5  8 11]]

可以看出，一维数组 a 可以通过 reshape 函数重塑为一个 3 × 4 的二维数组。注意，我们在第三个例子中指定了 order=’F’，这意味着输出的数组中元素在内存中是以列优先的顺序存放的。这是因为在 NumPy 数组中，默认是以行优先顺序存放元素的。

需要注意的是，reshape 函数返回的是一个拷贝，原来的数组不会被改变。例如：

import numpy as np

a = np.arange(12)
print(a)

b = np.reshape(a, (3, 4))
print(b)

a[0] = 100
print(a)
print(b)

输出结果为：

[ 0  1  2  3  4  5  6  7  8  9 10 11]

[[0 1 2 3]
 [4 5 6 7]
 [8 9 10 11]]

[100   1   2   3   4   5   6   7   8   9  10  11]

[[0 1 2 3]
 [4 5 6 7]
 [8 9 10 11]]

可以看出，改变原数组 a 中的第一个元素并不会影响拷贝 b 的元素。

resize 函数

与 reshape 不同，resize 函数可以用来改变数组的形状和大小，其语法如下：

numpy.resize(a, new_shape)

其中，a 是要重塑的数组，new_shape 是一个整数或者一个表示新形状的元组。

resize 函数的返回值是数组的一个拷贝，它的形状和数据与原来的数组不同。如果新数组的大小比原数组大，那么 resize 函数将重复原数组的元素，直到新数组的大小达到要求；如果新数组的大小比原数组小，那么 resize 函数将舍弃一些元素。

下面是一个例子，演示了如何使用 resize 函数改变数组的形状和大小：

import numpy as np

a = np.arange(12)
print(a)

b = np.resize(a, (3, 4))
print(b)

c = np.resize(a, (5, 4))
print(c)

d = np.resize(a, (2, 2))
print(d)

输出结果为：

[ 0  1  2  3  4  5  6  7  8  9 10 11]

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [ 0  1  2  3]
 [ 4  5  6  7]]

[[0 1]
 [2 3]]

可以看出，resize 函数可以改变数组的大小，并可以根据需要重复或舍弃一些元素。例如，在第二个例子中，我们将一维数组 a 重塑为了一个 3 × 4 的二维数组，然后又用 resize 函数将其扩展为了一个 6 × 4 的二维数组，其中新数组的前三行和原数组相同，后三行是原数组的重复。在第三个例子中，我们将一维数组 a 重塑为了一个 5 × 4 的二维数组，然后又用 resize 函数将其缩小为了一个 2 × 2 的二维数组，其中新数组只包含最前面的四个元素。

需要注意的是，resize 函数返回的是一个拷贝，原来的数组不会被改变。与 reshape 不同，resize 函数可以改变数组的大小。如果新数组的大小比原数组大，那么 resize 函数将重复原数组的元素，直到新数组的大小达到要求；如果新数组的大小比原数组小，那么 resize 函数将舍弃一些元素。

import numpy as np

a = np.arange(4)
print(a)

b = np.resize(a, 8)
print(b)

c = np.resize(a, 2)
print(c)

输出结果为：

[0 1 2 3]

[0 1 2 3 0 1 2 3]

[0 1]

可以看出，当我们给 resize 函数传递一个整数作为 new_shape 参数时，其实是将数组重复多次来扩展数组的大小，或是截断数组来缩小数组的大小。

reshape 和 resize 的区别

我们已经了解了 reshape 和 resize 的用法和效果，下面我们来分析一下它们的区别。

reshape 和 resize 都可以用来改变数组的形状，但是它们的处理方式有所不同。reshape 函数总是返回一个与原数组形状不同的拷贝，不论新形状是否与原形状兼容。resize函数则可以根据需要扩展或缩小数组的大小，并可以在必要的时候重复或舍弃一些元素。

除此之外，reshape 和 resize 还有以下区别：

reshape 不改变原数组的大小，也不改变元素的顺序和个数，只是改变了数组的形状，因此新数组的大小必须与原数组大小相同；resize 可以根据需要扩展或缩小数组的大小，新数组的大小可以比原数组大，也可以比原数组小。
reshape 函数返回一个拷贝，原数组不会被改变，而 resize 返回的是一个重构后的数组，原数组可能会被改变。
reshape 可以在赋值时用于改变数组的形状，例如 a.shape = (m, n)，这意味着数组 a 的形状从原来的形状改变为 (m, n)；但是 resize 函数不能用于赋值，它只能返回一个已经重构的数组。