1.4 数据变形
在机器学习以及深度学习的任务中，我们通常需要将处理好的数据以模型能接收的格式发送给模型，然后由模型通过一系列运算，最终返回一个处理结果。然而，由于不同模型所接收的输入格式不一样，我们往往需要先对其进行一系列变形和运算，从而将数据处理成符合模型要求的格式。最常见的是矩阵或者数组的运算，如我们经常会需要把多个向量或矩阵按某轴方向合并或展平（如在卷积或循环神经网络中，在全连接层之前，我们需要把矩阵展平）。下面介绍几种常用的数据变形方法。
1.4.1 更改数组的形状
修改指定数组的形状是NumPy中最常见的操作之一，表1-2列出了NumPy中改变向量形状的一些常用函数。
表1-2 NumPy中改变向量形状的一些常用函数
下面我们来看一些示例。
1. reshape
使用reshape函数修改向量维度。
输出结果如下：
值得注意的是，reshape函数支持只指定行数（或列数），其他值设置为-1即可。不过所指定的行数或列数一定要能被整除，例如，将上面的代码修改为arr.reshape(3,-1)时将报错（10不能被3整除）。
2. resize
使用resize函数修改向量维度。
输出结果如下：
3. .T
使用.T函数对向量进行转置。
输出结果如下：
4. ravel
ravel函数接收一个根据C语言格式（即按行优先排序）或者Fortran语言格式（即按列优先排序）来进行展平的参数，默认为按行优先排序。
输出结果如下：
5. flatten(order='C')
把矩阵转换为向量，展平方式默认是按行优先排序（即参数order='C'），这种需求经常出现在卷积神经网络与全连接层之间。
输出结果如下：
flatten函数经常用于神经网络中，一般我们在把2维、3维等数组转换为1维数组时会用到flatten，如图1-8所示。
6. squeeze
这是一个主要用来降维的函数，可以把矩阵中含1的维度去掉。
图1-8 含flatten运算的神经网络示意图
7. transpose
对高维矩阵进行轴对换，多用于深度学习中，比如把表示图像颜色的RGB顺序改为GBR。
1.4.2 合并数组
合并数组也是最常见的操作之一，表1-3列举了几种常用的NumPy数组合并方法。
表1-3 NumPy数组合并方法
说明
1）append、concatenate以及stack函数都有一个axis参数，用于控制数组合并是按行还是按列优先排序。
2）对于append和concatenate函数，待合并的数组必须有相同的行数或列数（满足一个即可）。
3）对于stack、hstack、dstack函数，待合并的数组必须具有相同的形状(shape)。
下面从表1-3中选择一些常用函数进行说明。
1. append
合并一维数组：
合并多维数组：
输出结果如下：
2. concatenate
沿指定轴连接数组或矩阵：
输出结果如下：
3. stack
沿指定轴堆叠数组或矩阵：
输出结果如下：
4. zip
zip是Python的一个内置函数，多用于张量运算中。
运行结果如下：
再来看一个示例：
运行结果如下：
