這一陣在用python做DRL建模的時(shí)候，尤其是在配合使用tensorflow的時(shí)候，加上tensorflow是先搭框架再跑數(shù)據(jù)，所以調(diào)試起來很不方便，經(jīng)常遇到輸入數(shù)據(jù)或者中間數(shù)據(jù)shape的類型不統(tǒng)一，導(dǎo)致一些op老是報(bào)錯(cuò)。而且由于水平菜，所以一些常用的數(shù)據(jù)shape轉(zhuǎn)換操作也經(jīng)常百度了還是忘，所以想再整理一下。

一、數(shù)據(jù)的基本屬性

求一組數(shù)據(jù)的長度

a = [1,2,3,4,5,6,7,8,9,10,11,12]
print(len(a))
print(np.size(a))

求一組數(shù)據(jù)的shape

list是沒有shape屬性的，所以需要把它轉(zhuǎn)換成np或者使用np.shape()

b = [[1,2,3],[4,5,6],[7,8,9]]
print(np.shape(b))
print(np.array(b).shape)

二、數(shù)據(jù)的拼接

append是直接將數(shù)組或者數(shù)據(jù)直接追加到下一個(gè)元素的位置，而extend是將數(shù)據(jù)最外層的[]去掉后追加。

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]

另外也可以通過numpy中的方法來進(jìn)行拼接

其中np.concatenate()的作用更偏向與數(shù)據(jù)的連接，通過其中的axis參數(shù)可以進(jìn)行指定行列的拼接。

而np.append()的作用是將value b追加到arr a中。

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、數(shù)據(jù)的shape的轉(zhuǎn)換

1、轉(zhuǎn)置

數(shù)據(jù)的轉(zhuǎn)置也經(jīng)常會(huì)用到，通?？梢杂玫絥umpy的transpose()方法或者直接將數(shù)據(jù)轉(zhuǎn)換為numpy array后用.T或者用reshape()方法。

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、數(shù)據(jù)展開

如果是一個(gè)多維的數(shù)組，可以直接使用np.reshape(-1)來進(jìn)行轉(zhuǎn)換，reshape是一個(gè)很好用的函數(shù)，其中的參數(shù)含義后面會(huì)講到。

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、維度轉(zhuǎn)換

有時(shí)候可能會(huì)用到將一個(gè)一維的數(shù)組轉(zhuǎn)換為二維，或者是在column方向或row方向上增加維度。

當(dāng)給col方向增加維度時(shí)，可以直接arr[:,np.newaxis],

給row方向增加維度時(shí)，可以arr[np.newaxis,:]

另外，這里的np.newaxis可以這樣理解：

一個(gè)[1,2,3,4,5]數(shù)組的shape是（5，）,如果對(duì)它[:,np.newaix]的話，得到的shape就是（5，1）

對(duì)它[np.newaix, :]的話，得到的結(jié)果就是（1，5）。所以說newaxis加在哪個(gè)位置，哪個(gè)位置相應(yīng)的維度就會(huì)產(chǎn)生一個(gè)新的維度。

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]]

另外再說一個(gè)將多維數(shù)組轉(zhuǎn)換為一維的兩種方法：arr.ravel()和arr.flatten()。

兩者的不同之處在于arr.flatten()返回的是arr展開后的數(shù)組的復(fù)制，而arr.ravel()返回的是arr展開后的本身。

一個(gè)是對(duì)值的操作，另一個(gè)是對(duì)地址的操作。

類似c、c++中的指針。

a = np.array([[1,2,3]])
b = np.array([[1,2,3]])
a1 = a.flatten()
b1 = b.ravel()
print(a)
print(b)
a1[0] = 8
b1[0] = 8
print(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參數(shù)可以傳入一個(gè)[]或者tuple。

當(dāng)數(shù)據(jù)的形狀不確定時(shí)，如果想轉(zhuǎn)換為1行，列數(shù)不確定的話，newshape可以傳入(1, -1);

如果想轉(zhuǎn)換為1列，行數(shù)不確定的話，newshape可以傳入(-1, 1);

同理如果是2列或者2行的話，就是(-1, 2)或者(2，-1)。

其中-1代表的是一個(gè)模糊控制，就是不確定的意思。

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]]

以上這篇基于Python對(duì)數(shù)據(jù)shape的常見操作詳解就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。