నమ్పీ అరేయాస్ రీఫార్మ్

ఏకదిశా క్రమం మాపన

మాపన అనేది ఏకదిశా క్రమం యొక్క రూపాన్ని మార్చడం అని అర్థం.

ఏకదిశా క్రమం యొక్క రూపం ప్రతి కొలతలో అంశాల సంఖ్యలు ఉంటాయి.

మాపన ద్వారా, మనం కొలతలను జోడించవచ్చు లేదా తొలగించవచ్చు మరియు ప్రతి కొలతలో అంశాల సంఖ్యను మార్చవచ్చు.

1-D నుండి 2-D కు మాపన చేయండి

ఈ దిశగా చేయడానికి

క్రింది 12 అంశాలు కలిగిన 1-D ఏకదిశా క్రమాన్ని 2-D ఏకదిశా క్రమంగా మాపన చేయండి.

మొదటి కొలతలో 4 అంశాలు కలిగిన ప్రతి కొలతలో 3 అంశాలు కలిగిన అంశాలు ఉంటాయి:

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)

నడుపు ప్రతిస్పందన

1-D నుండి 3-D కు మాపన చేయండి

ఈ దిశగా చేయడానికి

క్రింది 12 అంశాలు కలిగిన 1-D ఏకదిశా క్రమాన్ని 3-D ఏకదిశా క్రమంగా మాపన చేయండి.

మొదటి కొలతలో 2 అంశాలు కలిగిన ప్రతి కొలతలో 3 అంశాలు కలిగిన అంశాలు ఉంటాయి:

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)

నడుపు ప్రతిస్పందన

మనం ఏ రూపంలో మాపన చేయగలమా?

అవును, రెండు రూపాలలో మాపన అవసరమైన అంశాలు అన్నిటినీ సమానంగా ఉండాలి.

మనం 8 అంశాలు కలిగిన 1D ఏకదిశా క్రమంను 2 వరుసలు కలిగిన 2D ఏకదిశా క్రమంలో 4 అంశాలుగా మాపన చేయవచ్చు, కానీ మనం మూడు అంశాలు కలిగిన 3 వరుసలు కలిగిన 2D ఏకదిశా క్రమంగా మాపన చేయలేము, కారణం అది 3x3 = 9 అంశాలు అవసరం కాగలదు.

ఈ దిశగా చేయడానికి

8 అంశాలు కలిగిన 1D ఏకదిశా క్రమంగా ఉన్న దశగాళ్ళ లోపం పెట్టండి (పరిణామం ఉంటుంది):

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(3, 3)
print(newarr)

నడుపు ప్రతిస్పందన

కాపీ లేదా వ్యూ లేది వస్తుంది?

ఈ దిశగా చేయడానికి

మాపన దాని కాపీ లేదా వ్యూ అని తనిఖీ చేయండి:

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(arr.reshape(2, 4).base)

నడుపు ప్రతిస్పందన

上面的例子返回原始数组，因此它是一个视图。

未知的维

您可以使用一个“未知”维度。

这意味着您不必在 reshape 方法中为维度之一指定确切的数字。

传递 ఏకమైన అంకితం చేయడానికి అంకితం చేయడం అని అర్థం కాదు. 作为值，NumPy 将为您计算该数字。

ఈ దిశగా చేయడానికి

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)

నడుపు ప్రతిస్పందన

కోమ్మెంట్ గురించిఏకమైన అంకితం చేయడానికి అంకితం చేయడం అని అర్థం కాదు. ఏకమైన అంకితం చేయడానికి అంకితం చేయడం అని అర్థం కాదు. ఏకమైన అంకితం చేయడానికి అంకితం చేయడం అని అర్థం కాదు.

ఏకమైన అంకితం చేయడానికి అంకితం చేయడం అని అర్థం కాదు.

ఏకమైన అంకితం చేయడానికి అంకితం చేయడం అంటే బహుమాయమైన అంకితం చేయడం చేయడం అని అర్థం కాదు.

ఏకమైన అంకితం చేయడానికి అంకితం చేయడం ద్వారా అంకితం చేయబడిన పట్టికలను ఏకమైన అంకితం చేయడం అంటే బహుమాయమైన అంకితం చేయడం చేయడం అని అర్థం కాదు. మేము ఉపయోగించవచ్చు reshape(-1)

ఈ దిశగా చేయడానికి

ఏకీకృతం చేయడానికి అంకితం చేయండి పట్టిక

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)
print(newarr)

నడుపు ప్రతిస్పందన

కోమ్మెంట్ గురించినాప్యూ ఫ్లేటన్, రేవల్ యొక్క ఆకారాన్ని మార్చడానికి ఎన్నో సామర్థ్యాలు ఉన్నాయి, మరియు అంశాలను మలచుకొని రెట్టిగా స్థానాలను మలచుకొని రోట్ 90, ఫ్లిప్, ఫ్లిప్రైల్పర్, ఫ్లిప్యూడ్ మొదలైనవి మలచుకొని పునఃవ్యవస్థీకరించవచ్చు. ఈ సామర్థ్యాలు నాప్యూ మధ్య మరియు అధిక స్థాయి భాగాలు.