Понимание роли -1 в Numpy Reshape

В Numpy метод reshape() позволяет преобразовывать формы массива. При работе с 2D-массивами их можно преобразовать в 1D-массивы с помощью reshape(-1). Например:

import numpy as np

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
a.reshape(-1)
# Output: array([[1, 2, 3, 4, 5, 6, 7, 8]])

Обычно массив[-1] обозначает последний элемент массива. Однако в контексте reshape(-1) это имеет другое значение.

Параметр -1 в Reshape

Параметр -1 в reshape(- 1) служит подстановочным знаком. Это указывает на то, что соответствующий размер новой формы должен определяться автоматически. Это достигается путем удовлетворения критерия, согласно которому новая фигура должна соответствовать исходной форме массива, сохраняя ее линейный размер.

Numpy позволяет использовать -1 в одном из параметров формы, что позволяет указывать неизвестные размеры. . Например, (-1, 3) или (2, -1) являются допустимыми фигурами, а (-1, -1) — нет.

Примеры изменения формы (-1)

Рассмотрим следующий массив:

z = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
z.shape  # (3, 4)

Изменение формы с помощью (-1):

z.reshape(-1)
# Output: array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])
# New shape: (12,)

Изменение формы с использованием (-1, 1) (одиночная функция):

z.reshape(-1, 1)
# Output: array([[ 1], [ 2], [ 3], [ 4], [ 5], [ 6], [ 7], [ 8], [ 9], [10],
#                [11], [12]])
# New shape: (12, 1)

Изменение формы с использованием (-1, 2) (одна строка):

z.reshape(1, -1)
# Output: array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12]])
# New shape: (1, 12)

Изменение формы с использованием (2, -1):

z.reshape(2, -1)
# Output: array([[ 1,  2,  3,  4,  5,  6], [ 7,  8,  9, 10, 11, 12]])
# New shape: (2, 6)

Изменение формы с использованием (3, -1) (исходная форма):

z.reshape(3, -1)
# Output: array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
# New shape: (3, 4)

Обратите внимание, что указание обоих размеров как -1, т. е. (-1, -1), приведет к ошибке.

Поняв значение Если значение -1 в функции reshape(), разработчики могут эффективно преобразовывать формы массивов в соответствии со своими конкретными потребностями в обработке данных в Numpy.