1.reshape
reshape是重塑，常用的三种写法如下：
numpy.arange(n).reshape(a, b) # 依次生成 n个自然数，并且以 a行 b列的数组形式显示
numpy.arange(a,b,c) # 从数字 a起, 步长为 c, 到 b结束，生成 array
numpy.arange(a,b,c).reshape(m,n) # 将array的维度变为 m 行 n 列。
例一：
import numpy as np arr=np.arange(1,25.0).reshape(4,6)
关于order：
order可以是数组排序的方向不同
（1）order='F'列为主序
（2）order='C'行为主序
一种是以order='F'的方式让数组竖着排序：
arr=np.arange(1,25.0).reshape((6,-1),order='F')
一种是以order='C'的方式让数组横着排序：
arr=np.arange(1,25.0).reshape((6,-1),order='C')
reshape与flattern:
前者完成的是从低维到高维的转换，后者则相反，还可以使用reval函数
2.flatten
numpy.ndarray.flattern()是用来返回一维数组的函数。
也可以像reshape一样使用order
arr2=arr.flatten(order='F')
一般默认是使用order='C'，有特定需求则使用order='F'。
且 flatten()返回的是拷贝，意味着改变元素的值不会影响原始数组。
3.ravel
ravel()方法将数组维度拉成一维数组
ravel和flatten的区别：
- ravel在进行扁平化处理的时候没有复制原来的数组，只在列主序打平时复制原来的数组
- flatten在所有情况下打平时都复制了原来的数组
- ravel()返回的是视图，意味着改变元素的值会影响原始数组；
- flatten()返回的是拷贝，意味着改变元素的值不会影响原始数组。
- 相同点：这两个函数的功能都是将多维数组转换成一维
ravel()返回的是视图，意味着改变元素的值会影响原始数组；
4.stack
numpy.stack(arrays, axis=0)：沿着新轴连接数组的序列。
一系列的stack函数有：stack()，hstack()，vstack()
（1）concatenate
还有属性例如：concatenate
numpy.concatenate((a1,a2,…), axis=0)函数，能够一次完成多个数组的拼接。其中a1,a2,…是数组类型的参数
arr1=['穿过寒冬拥抱你','反贪风暴5：最终章','李茂扮太子','误杀2'] arr2=['以年为单位的恋爱','爱情神话','黑客帝国：矩阵重启','雄狮少年'] np.concatenate([arr1,arr2])
注意，两个list合并的时候需要用到 [ ] ,否则出错。
axis参数指定新轴在结果尺寸中的索引。例如，如果axis=0，它将是第一个维度，如果axis=-1，它将是最后一个维度。
默认情况下axis=0
arr1=np.arange(1,25.0).reshape(4,6) arr2=np.arange(26,50.0).reshape(4,6) np.concatenate([arr1,arr2],axis=1) np.concatenate([arr1,arr2],axis=0)
如上图所示，axis=1是将不同的列串联起来，axis=0则类似于append，是合并。
将arr1与arr2进行对调：
（2）vstack
函数原型：vstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组。它是垂直（按照行顺序）的把数组给堆叠起来。
vstack 和concatenate( ),axis=0等价
（3）dstack
dstack是deep stack，即在深度方向进行合并。
dstack可以将一维数组变成三维数组。
import numpy as np # vstack np.vstack([arr1,arr2]) #结果： array([[ 1., 2., 3., 4., 5., 6.], [ 7., 8., 9., 10., 11., 12.], [13., 14., 15., 16., 17., 18.], [19., 20., 21., 22., 23., 24.], [26., 27., 28., 29., 30., 31.], [32., 33., 34., 35., 36., 37.], [38., 39., 40., 41., 42., 43.], [44., 45., 46., 47., 48., 49.]]) # dstack np.dstack([arr1,arr2]) # 结果： array([[[ 1., 26.], [ 2., 27.], [ 3., 28.], [ 4., 29.], [ 5., 30.], [ 6., 31.]], [[ 7., 32.], [ 8., 33.], [ 9., 34.], [10., 35.], [11., 36.], [12., 37.]], [[13., 38.], [14., 39.], [15., 40.], [16., 41.], [17., 42.], [18., 43.]], [[19., 44.], [20., 45.], [21., 46.], [22., 47.], [23., 48.], [24., 49.]]])
（4）hstack
函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组,水平(按列顺序)把数组给堆叠起来，vstack()函数正好和它相反。
（5）r,c模式
np.r_[arr1,arr2] ，实际上是vstack 与 axis=0 做了一个合并（concatenate）。
np.c_[arr1,arr2] ， hstack 与 axis=1 做了一个合并（concatenate）。
print(np.r_[-2:2:1,[0]*3,5,6])
上面那段代码由三部分组成，-2:2:1表示从-2~2的数字，间隔为1，并且2没有，然后是3个0，接下来是5和6
print((np.r_['r',-2:2:1,[0]*3,5,6])) #二维数组，以行的方式呈现 print((np.r_['c',-2:2:1,[0]*3,5,6])) #二维数组，以列的方式呈现
默认是为r，表示沿着行的方向创建，c则表示以列的方式创建。
注：shape表示矩阵的维度大小。
也可以用'a,b,c'来进行表示，a代表轴，沿着轴a来进行合并，代表合并后数组维度至少是b，c是代表在第c维度上做维度提升
print(np.r_['0,2,0',[1,2,3],[4,5,6]],'\n') print(np.r_['0,2,1',[1,2,3],[4,5,6]],'\n') print(np.r_['1,2,0',[1,2,3],[4,5,6]],'\n') print(np.r_['1,2,1',[1,2,3],[4,5,6]])
b:合并后数组的维度 a=0,沿着轴0合并。(3,)-->(1,3) a=1,沿着轴1合并。(3,1)-->(3,2) c=0,在轴0上上升一维,(3,)-->(3,1) c=1,在轴1上上升一维,(3,)-->(1,3)
5.split
（1）split
split 具体有 split() , hsplit() , vsplit()
arr1=np.arange(1,13.0).reshape(2,6) arr2=np.arange(14,26.0).reshape(2,6) arr=np.concatenate([arr1,arr2]) arr3=np.split(arr,2) # 默认情况下是 axis=0
由上图可知，split分割成为二维数组
arr4=np.split(arr,3,axis=1) print(arr4[0].shape) arr4
arr5=np.split(arr,4,axis=0) arr6=np.split(arr,[1,2,3],axis=0)
上述代码块的两行表示是相同的，第二行相当于使用数组的切片方式进行处理。
（2）vsplit和hsplit
vsplit垂直（按行）将阵列拆分为多个子阵列。hsplit水平（按列）将阵列拆分为多个子阵列。
这部分希望大家看下图体会~
arrv=np.vsplit(arr,[1,2,3,4]) arrh=np.hsplit(arr,[1,2,3,4,5])
