numpy.reshape, numpy.transpose的理解

这两个命令在变化矩阵时常用，用久了又会返回来思考二者对矩阵变换结果的影响。此处举例说明：

该命令会重排矩阵元素，可看代码：

a = np.random.randint(1, 10, [1, 6, 2] )
print(a)
print(a.reshape(2, 3, 2))
print(a.reshape(3, 2, 2))
print(a.reshape(3, 2, 2).transpose(1, 0, 2))

结果为：

#print(a)
[[[9 1]
  [5 8]
  [4 2]
  [7 1]
  [4 9]
  [7 9]]]

#print(a.reshape(2, 3, 2))
[[[9 1]
  [5 8]
  [4 2]]

 [[7 1]
  [4 9]
  [7 9]]]

#print(a.reshape(3, 2, 2))
[[[9 1]
  [5 8]]

 [[4 2]
  [7 1]]

 [[4 9]
  [7 9]]]

#print(a.reshape(3, 2, 2).transpose(1, 0, 2))
[[[9 1]
  [4 2]
  [4 9]]

 [[5 8]
  [7 1]
  [7 9]]]

reshape后实际是将原始矩阵顺序重新排列。此处还发现a.reshape(2, 3, 2).reshape(3, 2, 2)与.reshape(3, 2, 2)结果一致。此处的np.transpose放在第2节中叙述。

该函数是用于实现矩阵的转置。而对于高维矩阵则该函数也可实现维度交换，但与reshape不一样。此处是基于转置的交换维度，排列顺序不会与原始相同。先看看对于二维矩阵：

mm = np.random.randint(1, 10, [2, 3])
print(mm)#[[1 3 3]
 					  #[9 3 8]]
print(mm.transpose(1, 0))#[[1 9]
 													  #[3 3]
 													  #[3 8]]

此处是基于转置的交换维度。此时可以再来理解1节中的a.reshape(3, 2, 2).transpose(1, 0, 2)。转置只发生在0和1维度中，2维度可以看做固定元素。由结果可见，transpose是将0和1维度转置，并且，a.reshape(3, 2, 2).transpose(1, 0, 2)与a.reshape(2, 3, 2)结果是不一样的，前者是基于转置改变维度，后者还是从前往后组装元素，要特别注意。