前言
嗨喽~大家好呀，这里是魔王呐 ❤ ~!
副本和视图之间的区别
副本和数组视图之间的主要区别在于副本是一个新数组，而这个视图只是原始数组的视图。
副本拥有数据，对副本所做的任何更改都不会影响原始数组，对原始数组所做的任何更改也不会影响副本。
视图不拥有数据，对视图所做的任何更改都会影响原始数组，而对原始数组所做的任何更改都会影响视图。
副本
实例
进行复制，更改原始数组并显示两个数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
arr[0] = 61
print(arr)
print(x)
运行实例
该副本不应受到对原始数组所做更改的影响。
视图
实例
创建视图，更改原始数组，然后显示两个数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.view()
arr[0] = 61
print(arr)
print(x)
运行实例
视图应该受到对原始数组所做更改的影响。
在视图中进行更改：
实例
创建视图，更改视图，并显示两个数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.view()
x[0] = 31
print(arr)
print(x)
运行实例
原始数组应该受到对视图所做更改的影响。
检查数组是否拥有数据
如上所述，副本拥有数据，而视图不拥有数据，但是我们如何检查呢？
每个 NumPy 数组都有一个属性 base，如果该数组拥有数据，则这个 base 属性返回 None。
否则，base 属性将引用原始对象。
实例
打印 base 属性的值以检查数组是否拥有自己的数据：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
y = arr.view()
print(x.base)
print(y.base)
运行实例
副本返回 None
视图返回原始数组
数组的形状
数组的形状是每个维中元素的数量。
获取数组的形状
NumPy 数组有一个名为 shape 的属性，该属性返回一个元组，每个索引具有相应元素的数量。
实例
打印 2-D 数组的形状：
import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(arr.shape)
运行实例
上面的例子返回 (2, 4)，这意味着该数组有 2 个维，每个维有 4 个元素。
实例
利用 ndmin 使用值 1,2,3,4 的向量创建有 5 个维度的数组，并验证最后一个维度的值为 4：
import numpy as np
arr = np.array([1, 2, 3, 4], ndmin=5)
print(arr)
print('shape of array :', arr.shape)
运行实例
元组的形状代表什么？
每个索引处的整数表明相应维度拥有的元素数量。
上例中的索引 4，我们的值为 4，因此可以说第 5 个 ( 4 + 1 th) 维度有 4 个元素。
数组重塑
重塑意味着更改数组的形状。
数组的形状是每个维中元素的数量。
通过重塑，我们可以添加或删除维度或更改每个维度中的元素数量。
从 1-D 重塑为 2-D
实例
将以下具有 12 个元素的 1-D 数组转换为 2-D 数组。
最外面的维度将有 4 个数组，每个数组包含 3 个元素：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(4, 3)
print(newarr)
运行实例
从 1-D 重塑为 3-D
实例
将以下具有 12 个元素的 1-D 数组转换为 3-D 数组。
最外面的维度将具有 2 个数组，其中包含 3 个数组，每个数组包含 2 个元素：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(2, 3, 2)
print(newarr)
运行实例
我们可以重塑成任何形状吗？
是的，只要重塑所需的元素在两种形状中均相等。
我们可以将 8 元素 1D 数组重塑为 2 行 2D 数组中的 4 个元素，但是我们不能将其重塑为 3 元素 3 行 2D 数组，因为这将需要 3x3 = 9 个元素。
实例
尝试将具有 8 个元素的 1D 数组转换为每个维度中具有 3 个元素的 2D 数组（将产生错误）：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(3, 3)
print(newarr)
运行实例
返回副本还是视图？
实例
检查返回的数组是副本还是视图
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(arr.reshape(2, 4).base)
运行实例
上面的例子返回原始数组，因此它是一个视图。
未知的维
可以使用一个“未知”维度。
这意味着不必在 reshape 方法中为维度之一指定确切的数字。
传递 -1 作为值，NumPy 将为你计算该数字。
实例
将 8 个元素的 1D 数组转换为 2x2 元素的 3D 数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(2, 2, -1)
print(newarr)
运行实例
注释：我们不能将 -1 传递给一个以上的维度。
展平数组
展平数组（Flattening the arrays）是指将多维数组转换为 1D 数组。
我们可以使用 reshape(-1) 来做到这一点。
实例
把数组转换为 1D 数组：
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)
print(newarr)
运行实例
注释：有很多功能可以更改 numpy flatten、ravel 中数组形状，还可以重新排列元素 rot90、flip、fliplr、flipud 等。
这些功能属于 numpy 的中级至高级部分。
尾语 💝
要成功，先发疯，下定决心往前冲！
学习是需要长期坚持的，一步一个脚印地走向未来！
未来的你一定会感谢今天学习的你。
—— 心灵鸡汤
本文章到这里就结束啦~感兴趣的小伙伴可以复制代码去试试哦 😝
