Python Numpy`resize`在使用-1语法时提供了意外的数组大小

我正在试图理解

numpy.resize

和

numpy.resforme

之间的区别。我知道，

resize

将返回一个新数组，

resformate

将维护相同的基础数据，并且只调整大小（我假设它通过更改步幅来实现这一点）。但是，对于这两个函数，我希望能够使用

-1

语法来指定轴的大小。但是，这似乎只适用于

重塑

。例如，尝试将此一维形状数组

（444，）

重塑为形状数组

（4111）

，根据您是使用

resize

还是

resize

，会产生两种不同的结果：

将numpy导入为np
测试=np.arange（0444）
打印（测试形状）
打印（np.调整大小（测试，（4，-1））.形状）
打印（np.整形（测试，（4，-1））.形状）

印刷品

(444,)
(4, 110)
(4, 111)

---

我假设我遗漏了

resize

函数的某些内容，但我希望它要么输出与

（444，）

兼容的形状，要么抛出一个错误。

np。未记录
-1
的resize

行为。但可以从Python代码或以下示例中推断：

In [312]: np.resize(np.arange(12),(1,-1))                                       
Out[312]: array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10]])
In [313]: np.resize(np.arange(12),(2,-1))                                       
Out[313]: 
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
In [314]: np.resize(np.arange(12),(3,-1))                                       
Out[314]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
In [315]: np.resize(np.arange(12),(4,-1))                                       
Out[315]: 
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])
# (5,-1) error
In [317]: np.resize(np.arange(12),(6,-1))                                       
Out[317]: 
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5]])

一般来说

a = np.arange(n)
np.resize(a, (m,-1))
np.reshape(a[:(n-m)], (m,-1))

也就是说，它通过

m

元素剪裁输入，并尝试

重塑

。不是很有用，是吗

---

在您的情况下，

测试[：-4]。重塑（4，-1）

np。不记录使用
-1
调整

行为的大小。但可以从Python代码或以下示例中推断：

In [312]: np.resize(np.arange(12),(1,-1))                                       
Out[312]: array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10]])
In [313]: np.resize(np.arange(12),(2,-1))                                       
Out[313]: 
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
In [314]: np.resize(np.arange(12),(3,-1))                                       
Out[314]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
In [315]: np.resize(np.arange(12),(4,-1))                                       
Out[315]: 
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])
# (5,-1) error
In [317]: np.resize(np.arange(12),(6,-1))                                       
Out[317]: 
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5]])

一般来说

a = np.arange(n)
np.resize(a, (m,-1))
np.reshape(a[:(n-m)], (m,-1))

也就是说，它通过

m

元素剪裁输入，并尝试

重塑

。不是很有用，是吗

---

在您的示例中，

test[：-4]。重塑（4，-1）

通过的源代码，您可以看到发生了什么，并且

-1

从来没有打算作为输入：

def resize(a, new_shape):
    if isinstance(new_shape, (int, nt.integer)):
        new_shape = (new_shape,)
    a = ravel(a)
    Na = len(a)   # Na = 444
    total_size = um.multiply.reduce(new_shape)   # total_size = 4 * -1 = -4 (?!?)
    if Na == 0 or total_size == 0:
        return mu.zeros(new_shape, a.dtype)

    n_copies = int(total_size / Na)    # n_copies = 0, luckily
    extra = total_size % Na            # -4 % 444 = 440 (this is where the 110 comes from)

    if extra != 0:  # True
        n_copies = n_copies + 1        # n_copies = 1 
        extra = Na - extra             # extra = 444 - 440 = 4

    a = concatenate((a,) * n_copies)   # a stays same
    if extra > 0:                      # True
        a = a[:-extra]                 # a = a[:-4]
    return reshape(a, new_shape)       # this is .reshape(4, -1) which now gives (4, 110)

---

浏览的源代码，您可以看到正在发生的事情，并且

-1

从未打算用作输入：

def resize(a, new_shape):
    if isinstance(new_shape, (int, nt.integer)):
        new_shape = (new_shape,)
    a = ravel(a)
    Na = len(a)   # Na = 444
    total_size = um.multiply.reduce(new_shape)   # total_size = 4 * -1 = -4 (?!?)
    if Na == 0 or total_size == 0:
        return mu.zeros(new_shape, a.dtype)

    n_copies = int(total_size / Na)    # n_copies = 0, luckily
    extra = total_size % Na            # -4 % 444 = 440 (this is where the 110 comes from)

    if extra != 0:  # True
        n_copies = n_copies + 1        # n_copies = 1 
        extra = Na - extra             # extra = 444 - 440 = 4

    a = concatenate((a,) * n_copies)   # a stays same
    if extra > 0:                      # True
        a = a[:-extra]                 # a = a[:-4]
    return reshape(a, new_shape)       # this is .reshape(4, -1) which now gives (4, 110)

---

数组本身的

resize

方法明确禁止负维，我想知道这个方法是否也应该这样做。@user3483203啊哈，你说得对。也许这实际上应该是numpy repo中的一个bug…

resize

不经常使用，如果您想更改元素的总数，这是最好的。也就是说，它可以夹或垫。注意函数和方法的行为完全不同

resize

无法更改元素总数，广泛用于将维度总数更改为2d或1d等。我不会将它们视为备选方案。在文档中，

np.resize

解释了-1的用法吗？数组上的

resize

方法本身明确禁止负维度，我不知道这个方法是否应该做同样的事情。@user3483203啊哈，你说得对。也许这实际上应该是numpy repo中的一个bug…

resize

不经常使用，如果您想更改元素的总数，这是最好的。也就是说，它可以夹或垫。注意函数和方法的行为完全不同<代码>重塑无法更改元素总数，广泛用于将维度总数更改为2d或1d等。我不会将它们视为备选方案。在文档中，

np.resize

在哪里解释了-1的用法？