如何仅展平numpy数组的某些维度答案

【问题标题】：How to flatten only some dimensions of a numpy array如何仅展平numpy数组的某些维度
【发布时间】：2013-09-16 10:54:52
【问题描述】：

有没有一种快速的方法来“子展平”或仅展平 numpy 数组中的一些第一个维度？

例如，给定一个维度为 (50,100,25) 的 numpy 数组，结果维度将是 (5000,25)

【问题讨论】：

这可能对stackoverflow.com/questions/13990465/3d-numpy-array-to-2d有帮助
你需要一个关于 numpy ndarray 数组切片的进修课程。也称为多维数组索引，请参阅：docs.scipy.org/doc/numpy-1.13.0/reference/arrays.indexing.html Array 使用方括号对您的 ndarray 进行切片，并使用逗号分隔符分隔您想要的每个维度的多少。它看起来像（不完全是）这样：your_array[50:100, 7, :] 将 3d 对象展平为 2d，仅使用第 7 个切片作为第 2 维。

标签： python numpy flatten

【解决方案1】：

看看numpy.reshape。

>>> arr = numpy.zeros((50,100,25))
>>> arr.shape
# (50, 100, 25)

>>> new_arr = arr.reshape(5000,25)
>>> new_arr.shape   
# (5000, 25)

# One shape dimension can be -1. 
# In this case, the value is inferred from 
# the length of the array and remaining dimensions.
>>> another_arr = arr.reshape(-1, arr.shape[-1])
>>> another_arr.shape
# (5000, 25)

【讨论】：

这样的解决方案对我来说似乎有点不雅，因为它们需要一些冗余信息。我希望有一种方法可以做到这一点，只需要指定维度的子集，比如arr.flatten(dimensions=(0, 1))。
@Denziloe 在不指定额外数据将被折叠到哪个维度的情况下，不能简单地“展平” ndarray 的任意维度。以 2x2x3 ndarray 为例，展平最后一个维度可以产生 2x6 或6x2，所以信息不是多余的。您可以使用 -1 指定尺寸：从numpy.reshape 一个形状尺寸可以是-1。在这种情况下，该值是从数组的长度和剩余维度推断出来的。所以一个 2x2xN 重新整形为 2Nx2 看起来像这样：arr.reshape((-1,2)).
@Denziloe 实现此目的的方法可能类似于arr.reshape(arr.shape[0] * arr.shape[1], arr.shape[2])

【解决方案2】：

稍微概括一下 Alexander 的回答 - np.reshape 可以将 -1 作为参数，意思是“数组总大小除以所有其他列出的维度的乘积”：

例如展平除最后一个维度之外的所有维度：

>>> arr = numpy.zeros((50,100,25))
>>> new_arr = arr.reshape(-1, arr.shape[-1])
>>> new_arr.shape
# (5000, 25)

【讨论】：

【解决方案3】：

对 Peter 的回答稍作概括——如果您想超越三维数组，可以在原始数组的形状上指定一个范围。

例如展平除最后两个维度之外的所有维度：

arr = numpy.zeros((3, 4, 5, 6))
new_arr = arr.reshape(-1, *arr.shape[-2:])
new_arr.shape
# (12, 5, 6)

编辑：对我之前的回答稍作概括——当然，您也可以在重塑的开头指定一个范围：

arr = numpy.zeros((3, 4, 5, 6, 7, 8))
new_arr = arr.reshape(*arr.shape[:2], -1, *arr.shape[-2:])
new_arr.shape
# (3, 4, 30, 7, 8)

【讨论】：

已经两年多了……我们需要再稍微概括一下！ ;)

【解决方案4】：

另一种方法是使用numpy.resize()，如：

In [37]: shp = (50,100,25)
In [38]: arr = np.random.random_sample(shp)
In [45]: resized_arr = np.resize(arr, (np.prod(shp[:2]), shp[-1]))
In [46]: resized_arr.shape
Out[46]: (5000, 25)

# sanity check with other solutions
In [47]: resized = np.reshape(arr, (-1, shp[-1]))
In [48]: np.allclose(resized_arr, resized)
Out[48]: True

【讨论】：