{"id":843256,"date":"2023-09-11T00:15:16","date_gmt":"2023-09-11T05:15:16","guid":{"rendered":"https:\/\/blogging-techies.com\/ge\/wie-man-numpy-arrays-in-python-umformt\/"},"modified":"2023-09-11T00:15:16","modified_gmt":"2023-09-11T05:15:16","slug":"wie-man-numpy-arrays-in-python-umformt","status":"publish","type":"post","link":"https:\/\/blogging-techies.com\/ge\/wie-man-numpy-arrays-in-python-umformt\/","title":{"rendered":"wie man NumPy-Arrays in Python umformt"},"content":{"rendered":"<p>In diesem Tutorial erfahren Sie, wie Sie es verwenden <strong>NumPy reshape()<\/strong> um NumPy-Arrays umzuformen, ohne die Originaldaten zu \u00e4ndern.<\/p>\n<p>Wenn Sie mit Numpy-Arrays arbeiten, m\u00f6chten Sie h\u00e4ufig ein vorhandenes Array in ein Array mit unterschiedlichen Dimensionen umformen.  Dies kann besonders n\u00fctzlich sein, wenn Sie Daten in mehreren Schritten transformieren.<\/p>\n<p>Und NumPy reshape() hilft Ihnen dabei, dies ganz einfach zu tun.  In den n\u00e4chsten Minuten lernen Sie die Syntax f\u00fcr die Verwendung von reshape() kennen und lernen auch, Arrays in andere Dimensionen umzuformen.<\/p>\n<h2 id=\"h-what-is-reshaping-in-numpy-arrays\">Was ist Umformung in NumPy-Arrays?<\/h2>\n<p>Wenn Sie mit NumPy-Arrays arbeiten, m\u00f6chten Sie m\u00f6glicherweise zun\u00e4chst ein eindimensionales Array von Zahlen erstellen.  Und formen Sie es dann in ein Array mit der gew\u00fcnschten Dimension um.<\/p>\n<p>Dies ist besonders n\u00fctzlich, wenn die Abmessungen des neuen Arrays zun\u00e4chst nicht bekannt sind oder w\u00e4hrend der Ausf\u00fchrung abgeleitet werden.  Oder es kann auch sein, dass ein bestimmter Datenverarbeitungsschritt eine bestimmte Form der Eingabe erfordert.<\/p>\n<p>das ist wo <strong>Reorganisation<\/strong> Es kommt sehr gut an.<\/p>\n<p>Betrachten Sie beispielsweise die folgende Abbildung.  Wir haben einen Vektor: ein eindimensionales Array aus 6 Elementen.  Und wir k\u00f6nnen es in 2\u00d73-, 3\u00d72-, 6\u00d71-Formanordnungen usw. umformen.<\/p>\n<figure class=\"wp-block-image size-large\"><\/figure>\n<p>\u25b6\ufe0f Um den Beispielen in diesem Tutorial folgen zu k\u00f6nnen, m\u00fcssen Python und NumPy installiert sein.  Wenn Sie NumPy noch nicht haben, lesen Sie unsere NumPy-Installationsanleitung.<\/p>\n<p>Jetzt k\u00f6nnen Sie fortfahren und NumPy unter dem Alias \u200b\u200bnp importieren, indem Sie Folgendes ausf\u00fchren: import numpy as np.<\/p>\n<p>Lassen Sie uns im n\u00e4chsten Abschnitt mit dem Erlernen der Syntax fortfahren.<\/p>\n<h2 id=\"h-syntax-of-numpy-reshape\">NumPy-Syntax-Reshape()<\/h2>\n<p>Dies ist die Syntax zur Verwendung von NumPy reshape(): <\/p>\n<pre class=\"wp-block-prismatic-blocks\">np.reshape(arr, newshape, order=\"C\"|'F'|'A')<\/pre>\n<ul>\n<li><strong>Arr<\/strong> ist ein beliebiges g\u00fcltiges NumPy-Array-Objekt.  Hier ist es die Matrix, die umgestaltet werden soll.<\/li>\n<li><strong>neuer Weg<\/strong> ist die Form der neuen Matrix.  Es kann eine Ganzzahl oder ein Tupel sein.<\/li>\n<li>Wann <strong>neuer Weg<\/strong> eine Ganzzahl ist, ist das zur\u00fcckgegebene Array eindimensional.<\/li>\n<li><strong>Befehl<\/strong> bezieht sich auf die Reihenfolge, in der Sie die umzugestaltenden Array-Elemente lesen m\u00f6chten. <\/li>\n<li>Der Standardwert ist <strong>&#8216;C&#8217;,<\/strong> Dies bedeutet, dass die Elemente des urspr\u00fcnglichen Arrays in einer C-\u00e4hnlichen Indexierungsreihenfolge gelesen werden (beginnend mit 0).<\/li>\n<li><strong>&#8216;F&#8217;<\/strong> bedeutet Fortran-\u00e4hnliche Indizierung (beginnend mit 1).  UND <strong>&#8216;ZU&#8217;<\/strong> Liest Elemente in \u00e4hnlicher Reihenfolge wie C oder Fortran, abh\u00e4ngig vom Speicherlayout des Arrays <strong>Arr<\/strong>.<\/li>\n<\/ul>\n<p>Was gibt np.reshape() zur\u00fcck?<\/p>\n<p>gibt a zur\u00fcck <strong>umgestaltete Ansicht<\/strong> wenn m\u00f6glich aus der Originalmatrix.  Andernfalls wird a zur\u00fcckgegeben <strong>Kopieren<\/strong> aus der Matrix<\/p>\n<p>In der vorherigen Zeile haben wir erw\u00e4hnt, dass NumPy reshape() versuchen w\u00fcrde, a zur\u00fcckzugeben <strong>Sicht<\/strong> wenn es m\u00f6glich ist.  Andernfalls wird a zur\u00fcckgegeben <strong>Kopieren<\/strong>.  Lassen Sie uns mit der Diskussion der Unterschiede zwischen einer Ansicht und einer Kopie fortfahren.<\/p>\n<h3 id=\"h-view-vs-copy-of-numpy-arrays\">Siehe vs.  Kopieren Sie NumPy-Arrays<\/h3>\n<p>Wie der Name schon sagt, <strong>Kopieren<\/strong> Es ist eine Kopie des urspr\u00fcnglichen Arrays.  Und alle an der Kopie vorgenommenen \u00c4nderungen gelten f\u00fcr das urspr\u00fcngliche Array.<\/p>\n<p>Au\u00dferdem,<strong> Sicht<\/strong> es bezieht sich lediglich auf die umgestaltete Ansicht des urspr\u00fcnglichen Arrays.  Das bedeutet, dass sich alle an der Ansicht vorgenommenen \u00c4nderungen auch auf das urspr\u00fcngliche Array auswirken und umgekehrt. <\/p>\n<h2 id=\"h-use-numpy-reshape-to-reshape-1d-array-to-2d-arrays\">Verwenden Sie NumPy reshape(), um ein 1D-Array in 2D-Arrays umzuformen<\/h2>\n<p><strong>#1.<\/strong> Beginnen wir mit der Erstellung des Beispielarrays mit np.arange(). <\/p>\n<p>Wir ben\u00f6tigen ein Array mit 12 Zahlen, 1 bis 12, namens arr1.  Da die NumPy-Funktion arange() den Endpunkt standardm\u00e4\u00dfig ausschlie\u00dft, legen Sie den Stoppwert auf 13 fest.<\/p>\n<p>Nun verwenden wir die obige Syntax und formen arr1 mit 12 Elementen in ein 2D-Array der Form (4,3) um.  Nennen wir das arr2 mit 4 Zeilen und 3 Spalten.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,13)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr2 = np.reshape(arr1,(4,3))\nprint(\"\\nReshaped array:\")\nprint(arr2)<\/pre>\n<p>Werfen wir einen Blick auf die Original- und umgestalteten Stempel.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12]\n\nReshaped array:\n[[ 1  2  3]\n [ 4  5  6]\n [ 7  8  9]\n [10 11 12]]<\/pre>\n<p>Anstatt das Array als Argument an np.reshape() zu \u00fcbergeben, k\u00f6nnen Sie auch die Methode .reshape() f\u00fcr das urspr\u00fcngliche Array aufrufen.<\/p>\n<p>Sie k\u00f6nnen dir(arr1) ausf\u00fchren und es werden alle m\u00f6glichen Methoden und Attribute aufgelistet, die Sie f\u00fcr das Array-Objekt arr1 verwenden k\u00f6nnen. <\/p>\n<pre class=\"wp-block-prismatic-blocks\">dir(arr1)\n\n# Output \n[\n...\n...\n'reshape'\n...\n..\n]<\/pre>\n<p>In der Codezelle oben k\u00f6nnen Sie sehen, dass .reshape() eine g\u00fcltige Methode zur Verwendung auf dem vorhandenen NumPy-Array arr1 ist.<\/p>\n<p>\u25b6\ufe0f Sie k\u00f6nnen also auch die folgende vereinfachte Syntax verwenden, um NumPy-Arrays umzuformen.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">arr.reshape(d0,d1,...,dn)\n\n# where:\n\n# d0, d1,..,dn are the dimensions of the reshaped array\n\n# d0 * d1 * ...* dn = N, the number of elements in arr<\/pre>\n<p>F\u00fcr den Rest dieses Tutorials verwenden wir diese Syntax in unseren Beispielen.<\/p>\n<p><strong>#2. <\/strong>Versuchen wir, unseren 12-Elemente-Vektor in eine 12 x 1-Matrix umzuformen. <\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,13)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr3 = arr1.reshape(12,1)\nprint(\"\\nReshaped array:\")\nprint(arr3)<\/pre>\n<p>In der Ausgabe unten k\u00f6nnen Sie sehen, dass das Array nach Bedarf umgestaltet wurde. <\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12]\n\nReshaped array:\n[[ 1]\n [ 2]\n [ 3]\n [ 4]\n [ 5]\n [ 6]\n [ 7]\n [ 8]\n [ 9]\n [10]\n [11]\n [12]]<\/pre>\n<p>\u2754 Wie \u00fcberpr\u00fcfen wir also, ob wir eine Kopie oder eine Ansicht erhalten haben?<\/p>\n<p>Um dies zu \u00fcberpr\u00fcfen, k\u00f6nnen Sie das Basisattribut des zur\u00fcckgegebenen Arrays aufrufen.<\/p>\n<ul>\n<li>Wenn es sich bei dem Array um eine Kopie handelt, lautet das Basisattribut None.<\/li>\n<li>Wenn es sich bei dem Array um eine Ansicht handelt, ist das Basisattribut das urspr\u00fcngliche Array.<\/li>\n<\/ul>\n<p>Lassen Sie uns das schnell \u00fcberpr\u00fcfen.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">arr3.base\n# Output\narray([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])<\/pre>\n<p>Wie Sie sehen k\u00f6nnen, gibt das Basisattribut von arr3 das urspr\u00fcngliche Array zur\u00fcck.  Dies bedeutet, dass wir eine der urspr\u00fcnglichen Matrix erhalten haben.<\/p>\n<p><strong>#3.<\/strong> Versuchen wir nun, den Vektor in eine andere g\u00fcltige 2 x 6-Matrix umzuformen.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,13)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr4 = arr1.reshape(2,6)\nprint(\"\\nReshaped array:\")\nprint(arr4)<\/pre>\n<p>Und hier ist die Ausgabe:<\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12]\n\nReshaped array:\n[[ 1  2  3  4  5  6]\n [ 7  8  9 10 11 12]]<\/pre>\n<p>Im n\u00e4chsten Abschnitt verwandeln wir arr1 in ein 3D-Array.<\/p>\n<h2 id=\"h-use-numpy-reshape-to-reshape-1d-array-to-3d-arrays\">Verwenden Sie NumPy reshape(), um ein 1D-Array in 3D-Arrays umzuformen<\/h2>\n<p>Um arr1 in ein 3D-Array umzuformen, legen wir die gew\u00fcnschten Abmessungen auf (1, 4, 3) fest. <\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,13)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr3D = arr1.reshape(1,4,3)\nprint(\"\\nReshaped array:\")\nprint(arr3D)<\/pre>\n<p>Wir haben jetzt ein 3D-Array mit denselben 12 Elementen wie das urspr\u00fcngliche Array arr1 erstellt.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12]\n\nReshaped array:\n[[[ 1  2  3]\n  [ 4  5  6]\n  [ 7  8  9]\n  [10 11 12]]]<\/pre>\n<h2 id=\"h-how-to-debug-value-errors-during-reshaping\">So beheben Sie Wertfehler w\u00e4hrend der Umgestaltung<\/h2>\n<p>Wenn Sie sich an die Syntax erinnern, ist die Umformung nur dann g\u00fcltig, wenn das Produkt der Dimensionen gleich der Anzahl der Elemente im Array ist.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,13)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr2D = arr1.reshape(4,4)\nprint(\"\\nReshaped array:\")\nprint(arr2D)<\/pre>\n<p>Hier versuchen Sie, ein 12-Elemente-Array in ein 4\u00d74-Array mit 16 Elementen umzuformen.  Der Interpreter gibt einen Wertfehler aus, wie unten gezeigt.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12]\n-----------------------------------------------------------\nValueError                                \nTraceback (most recent call last)\n<ipython-input-11-63552bcc8c37> in <module>()\n      6 \n      7 # Reshape array\n----> 8 arr2 = arr1.reshape(4,4)\n      9 print(\"\\nReshaped array:\")\n     10 print(arr2)\n\nValueError: cannot reshape array of size 12 into shape (4,4)<\/pre>\n<p>Um solche Fehler zu vermeiden, k\u00f6nnen Sie verwenden <strong>-1<\/strong> um automatisch die Form einer der Dimensionen basierend auf der Gesamtzahl der Elemente abzuleiten. <\/p>\n<p>Wenn Sie beispielsweise n \u2013 1 Dimensionen im Voraus kennen, k\u00f6nnen Sie mit -1 auf die n-te Dimension in der umgeformten Matrix schlie\u00dfen.<\/p>\n<p>Wenn Sie ein Array mit 24 Elementen haben und es in ein 3D-Array umformen m\u00f6chten.  Angenommen, Sie ben\u00f6tigen 3 Zeilen und 4 Spalten.  Sie k\u00f6nnen den Wert -1 entlang der dritten Dimension \u00fcbergeben.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">import numpy as np\n\narr1 = np.arange(1,25)\nprint(\"Original array, before reshaping:\\n\")\nprint(arr1)\n\n# Reshape array\narr_res = arr1.reshape(4,3,-1)\nprint(\"\\nReshaped array:\")\nprint(arr_res)\nprint(f\"Shape of arr_res:{arr_res.shape}\")<\/pre>\n<p>Wenn Sie die Form des Formarrays untersuchen, k\u00f6nnen Sie erkennen, dass das umgeformte Array in der dritten Dimension die Form 2 hat.<\/p>\n<pre class=\"wp-block-prismatic-blocks\">Original array, before reshaping:\n\n[ 1  2  3  4  5  6  7  8  9 10 11 12 \n13 14 15 16 17 18 19 20 21 22 23 24]\n\nReshaped array:\n[[[ 1  2]\n  [ 3  4]\n  [ 5  6]]\n\n [[ 7  8]\n  [ 9 10]\n  [11 12]]\n\n [[13 14]\n  [15 16]\n  [17 18]]\n\n [[19 20]\n  [21 22]\n  [23 24]]]\nShape of arr_res:(4, 3, 2)<\/pre>\n<p>Dies ist besonders n\u00fctzlich, um eine Matrix abzuflachen.  Und das erfahren Sie im n\u00e4chsten Abschnitt.<\/p>\n<h2 id=\"h-use-numpy-reshape-to-flatten-an-array\">Verwenden Sie NumPy reshape(), um ein Array zu reduzieren<\/h2>\n<p>Es gibt Zeiten, in denen Sie von N-dimensionalen Arrays zu einem abgeflachten Array zur\u00fcckkehren m\u00fcssen.  Angenommen, Sie m\u00f6chten ein Bild in einen langen Pixelvektor reduzieren. <\/p>\n<p>Lassen Sie uns ein einfaches Beispiel mit den folgenden Schritten programmieren:<\/p>\n<ul>\n<li>Erzeugen Sie eine 3 x 3-Graustufenbildmatrix, img_arr, mit Pixeln im Bereich von 0 bis 255. <\/li>\n<li>Als n\u00e4chstes reduzieren Sie dieses img_arr und drucken das reduzierte Array flat_arr. <\/li>\n<li>Drucken Sie zur \u00dcberpr\u00fcfung auch die Formulare img_arr und flat_arr aus.<\/li>\n<\/ul>\n<pre class=\"wp-block-prismatic-blocks\">img_arr = np.random.randint(0, 255, (3,3))\nprint(img_arr)\nprint(f\"Shape of img_arr: {img_arr.shape}\")\nflat_arr = img_arr.reshape(-1)\nprint(flat_arr)\nprint(f\"Shape of flat_arr: {flat_arr.shape}\")<\/pre>\n<p>Hier ist der Ausweg. <\/p>\n<pre class=\"wp-block-prismatic-blocks\">[[195 145  77]\n [ 63 193 223]\n [215  43  36]]\nShape of img_arr: (3, 3)\n\n[195 145  77  63 193 223 215  43  36]\nShape of flat_arr: (9,)<\/pre>\n<p>In der Codezelle oben k\u00f6nnen Sie sehen, dass flat_arr ein 1D-Vektor aus Pixelwerten mit 9 Elementen ist.<\/p>\n<h3 id=\"h-summing-up\">Zusammenfassend\ud83d\udc69\u200d\ud83c\udfeb<\/h3>\n<p>Es ist an der Zeit, das Gelernte kurz zu wiederholen.<\/p>\n<ul>\n<li>Tragen <strong>np.reshape(arr, neue Form)<\/strong> umgestalten <strong>Arr<\/strong> in der in angegebenen Weise <strong>neuer Weg<\/strong>. <strong>neuer Weg<\/strong> ist ein Tupel, das die Abmessungen des umgeformten Arrays angibt.<\/li>\n<li>Alternativ verwenden Sie <strong>array.reform(d0, d1, \u2026, dn)<\/strong> umgestalten <strong>Arr<\/strong> In Form sein <strong>d0 x d1 x \u2026 x dn<\/strong><\/li>\n<li>\u00dcberpr\u00fcfen Sie, ob <strong>d0 * d1 * \u2026* dn = n<\/strong>die Anzahl der Elemente im urspr\u00fcnglichen Array, um Wertfehler w\u00e4hrend der Umformung zu vermeiden.<\/li>\n<li>Tragen <strong>-1<\/strong> f\u00fcr h\u00f6chstens eine Dimension im neuen Formular, wenn die Dimension automatisch abgeleitet werden soll.<\/li>\n<li>Endlich k\u00f6nnen Sie es verwenden <strong>Reformbeginn(-1)<\/strong> um die Matrix abzuflachen.<\/li>\n<\/ul>\n<p>Nachdem Sie nun wissen, wie Sie NumPy reshape() verwenden, erfahren Sie, wie die NumPy-Funktion linspace() funktioniert. <\/p>\n<p>Wenn Sie m\u00f6chten, k\u00f6nnen Sie die Codebeispiele im Jupyter Notebook ausprobieren.  Wenn Sie nach anderen Entwicklungsumgebungen suchen, lesen Sie unseren Leitfaden zu Jupyter-Alternativen.<\/p>\n   ","protected":false},"excerpt":{"rendered":"<p>In diesem Tutorial erfahren Sie, wie Sie es verwenden NumPy reshape() um NumPy-Arrays umzuformen, ohne die Originaldaten zu \u00e4ndern. Wenn Sie mit Numpy-Arrays arbeiten, m\u00f6chten Sie h\u00e4ufig ein vorhandenes Array in ein Array mit unterschiedlichen Dimensionen umformen. Dies kann besonders n\u00fctzlich sein, wenn Sie Daten in mehreren Schritten transformieren. Und NumPy reshape() hilft Ihnen dabei, [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":843257,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","fifu_image_url":"https:\/\/blogging-techies.com\/wp-content\/uploads\/2023\/06\/21.png","fifu_image_alt":""},"categories":[7],"tags":[],"_links":{"self":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/843256"}],"collection":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/comments?post=843256"}],"version-history":[{"count":0,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/843256\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media\/843257"}],"wp:attachment":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media?parent=843256"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/categories?post=843256"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/tags?post=843256"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}