Quelle est la différence entre les redimensionner et de les remodeler lors de l'utilisation de tableaux dans Numpy?

J'ai commencé à utiliser 'NumPy et je suis en train d'essayer de comprendre la différence entre resize et reshape pour les tableaux.

Avez-vous essayé une recherche?
sum(ndarray.shape) et ndarray.size sont les mêmes après ndarray.reshape. Ces valeurs seront différentes après ndarray.resize
reshape est utilisé tout le temps; resize est rarement nécessaire, et confond souvent les débutants; l'ignorer.
Ce n'est pas une copie exacte, mais il peut aider: stackoverflow.com/questions/41171034/...

OriginalL'auteur Rish_Saxena | 2017-01-07

  1. 12

    Remodeler ne change pas les données comme indiqué ci ici.
    Redimensionner change les données comme on peut le voir ici.

    Voici quelques exemples:

    >>> numpy.random.rand(2,3)
array([[ 0.6832785 ,  0.23452056,  0.25131171],
       [ 0.81549186,  0.64789272,  0.48778127]])
>>> ar = numpy.random.rand(2,3)
>>> ar.reshape(1,6)
array([[ 0.43968751,  0.95057451,  0.54744355,  0.33887095,  0.95809916,
         0.88722904]])
>>> ar
array([[ 0.43968751,  0.95057451,  0.54744355],
       [ 0.33887095,  0.95809916,  0.88722904]])

    Après remodeler le tableau n'a pas changé, mais seulement les sorties d'un tableau temporaire de remodeler.

    >>> ar.resize(1,6)
>>> ar
array([[ 0.43968751,  0.95057451,  0.54744355,  0.33887095,  0.95809916,
         0.88722904]])

    Après redimensionner le tableau a changé de forme.

    depuis l'OP n'a pas précisé, je vais souligner que ar.resize(rows,cols) les modifications de la table initiale en place, tandis que np.resize(ar,X) sorties seulement le redimensionnement de la matrice, avec ar rester le même. Aussi, si la nouvelle taille est plus grande que l'original ar, ar.resize ajoute des zéros à la fin, alors que np.resize répète l'original ar

    OriginalL'auteur Rahul Reddy Vemireddy

  2. 0

    supposons que vous disposez des éléments suivants np.ndarray : 

    a = np.array([1,2,3,4]) # shape of this is (4,)

    Maintenant, nous essayons de " un.remodeler'

    a.reshape(1,4)

array([[1, 2, 3, 4]])

a.shape         # This will again return (4,)

    Nous voyons que la forme n'a pas changé

    essayons 'un.redimensionner " maintenant

    a.resize(1,4)

a.shape         # Now the shape changes to (1,4)

    'redimensionner' a changé la forme originale de notre tableau numpy (Il change de forme "EN PLACE").

    OriginalL'auteur Harikrishnan M S

  3. 0

    Une différence majeure est reshape() ne modifie pas vos données, mais de les redimensionner() ne changer. resize() première adapte à toutes les valeurs dans le tableau d'origine, après que, si l'espace supplémentaire est-il (ou de la taille du tableau est plus grand que le tableau d'origine), puis il ajoute ses propres valeurs. @David mentionné dans les commentaires, quelles sont les valeurs de redimensionnement() ajoute dépend de qui est appelé.

    Vous pouvez appeler reshape() et resize() fonction dans l'une des deux manières suivantes.

    numpy.resize()

    ndarray.resize() - où ndarray est n dimensions tableau vous redimensionnez.

    Vous pouvez même appeler remodeler aussi comme numpy.reshape() et ndarray.reshape(). Mais ici, ils sont presque identiques, à l'exception de la syntaxe.

    Un point à remarquer est que, reshape() sera toujours essayer de rendre un point de vue dans la mesure du possible, autrement, serait de retour une copie. En outre, il peut pas dire ce qui sera restituée lors de la, mais vous pouvez faire votre code de lever d'erreur à chaque fois que les données sont copiées.

    Pour redimensionner() de la fonction, numpy.resize() renvoie une nouvelle copie de tableau alors que ndarray.resize() t-il en place. Mais ils ne vont pas à view chose.

    Maintenant arriver au point que ce qui devrait être les valeurs des éléments supplémentaires. De la doc, il est dit

    Si le nouveau tableau est plus grand que le tableau d'origine, puis le nouveau tableau est rempli avec la répétition des copies d'un. Notez que ce comportement est différent de un.redimensionner(new_shape) qui se remplit avec des zéros à la place de la répétition des copies d'un.

    Donc pour ndarray.resize() c'est la valeur 0, mais pour numpy.resize() c'est les valeurs du tableau lui-même (bien sûr, tout ce qui peut adapter à la nouvelle taille). Ci-dessous extrait de code sera plus clair.

    In [40]: arr = np.array([1, 2, 3, 4])

In [41]: np.resize(arr, (2,5))
Out[41]:
array([[1, 2, 3, 4, 1],
      [2, 3, 4, 1, 2]])

In [42]: arr.resize((2,5))

In [43]: arr
Out[43]:
array([[1, 2, 3, 4, 0],
       [0, 0, 0, 0, 0]])

    Vous pouvez aussi voir que ndarray.resize() retourne None et le redimensionnement en place.

    OriginalL'auteur GadaaDhaariGeek