Reshape e transposição

Remodelar sem mexer nos dados

O reshape reorganiza os mesmos elementos em outra forma. O total precisa continuar o mesmo: ele nunca cria nem remove elementos. E o -1 em uma das dimensões significa "calcule você":

import numpy as np

arr = np.arange(12)
print(arr.reshape(3, 4))
print(arr.reshape(2, -1).shape, arr.reshape(-1, 3).shape)
try:
    arr.reshape(5, 3)
except ValueError as erro:
    print(erro)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
(2, 6) (4, 3)
cannot reshape array of size 12 into shape (5,3)

Cinco vezes três dá 15, e o array tem 12 elementos, então o NumPy recusa. O reshape(2, -1) descobriu sozinho que a segunda dimensão é 6.

Transpor, achatar e inserir eixos

grade = np.arange(6).reshape(2, 3)
print(grade.T.shape, grade.transpose().shape)
print(grade.flatten(), grade.ravel())
print(grade[:, np.newaxis, :].shape, grade[..., None].shape)
print(np.squeeze(np.zeros((1, 3, 1))).shape)

(3, 2) (3, 2)
[0 1 2 3 4 5] [0 1 2 3 4 5]
(2, 1, 3) (2, 3, 1)
(3,)

A diferença entre flatten e ravel é a mesma do capítulo anterior: um copia, o outro compartilha memória, e alterar o resultado do ravel muda o original:

r = grade.ravel()
r[0] = 99
print(grade[0, 0])
f = grade.flatten()
f[0] = -1
print(grade[0, 0])

99
99

O truque do eixo extra

Inserir um eixo de tamanho 1 é a forma de preparar um vetor para o broadcasting do próximo capítulo. Um vetor de forma (3,) vira uma coluna (3, 1) com reshape(-1, 1) ou com [:, None]:

vetor = np.array([1, 2, 3])
print(vetor.reshape(-1, 1))

[[1]
 [2]
 [3]]

Um caso real: lote de imagens

Um lote de 10 imagens de 28 por 28 pixels tem forma (10, 28, 28). Muitos modelos esperam cada imagem como um vetor de 784 números, ou seja, forma (10, 784). O -1 calcula o 784 sozinho:

lote = np.zeros((10, 28, 28))
print(lote.reshape(10, -1).shape)

(10, 784)

reshape devolve view quando pode

O reshape devolve uma view se a memória permitir e só copia quando não há outro jeito. Por isso, depois de um reshape, tenha em mente que alterar o resultado pode alterar o original. Em dúvida, confira com np.shares_memory.