Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-26

1 Часто разработчикам приходится изменять размеры массивов. Например, переформатировать исходные данные, чтобы разделить их на подмассивы. В некоторых случаях требуется еще и объединять многомерные данные в единый массив значений. Чтобы решать такие задачи, массивы numpy.ndarray предоставляют набор методов, самым популярным из которых является метод reshape().

2 В этом уроке разберем, как работать с размерами массивов numpy.ndarray и как получать их производные. Еще поговорим об ограничениях размерности и узнаем, как они помогают оптимизировать работу.

3 <h2>Как изменить размер массива</h2>

4 Представим, что нам нужно увеличить размер массива numpy.ndarray. Для этого будем идти по следующим шагам:

5 <ol><li>Узнаем размер массива и индексы вдоль оси</li>

6 <li>Изменим размер массива</li>

7 </ol>Рассмотрим каждый этап подробнее.

8 <h3>Как узнать размер массива и индексы вдоль оси</h3>

9 Чтобы изменить размер numpy.ndarray, нужно узнать его значение. Для этого используют атрибут shape:

10 В примере выше атрибут shape возвращает кортеж целых чисел. Длина кортежа указывает на размерность массива:

11 <ul><li>(12,) - одномерный массив</li>

12 <li>(4, 3) - двумерный массив</li>

13 <li>(3, 2, 2) - трехмерный массив</li>

14 </ul>Числа в кортеже означают количество элементов по конкретной оси индексов:

15 <ul><li>(12,) - 12 значений</li>

16 <li>(4, 3) - четыре блока значений по три значения в каждом</li>

17 <li>(3, 2, 2) - три блока значений, каждый из которых состоит из двух блоков по два значения</li>

18 </ul>Названиеось индексовотсылает к декартовой системе координат. Вспомним ее основные правила:

19 <ul><li>Чтобы построить отрезок или другой одномерный объект, достаточно одной координатной оси</li>

20 <li>Чтобы построить квадрат или другой двумерный объект, необходима координатная плоскость из двух перпендикулярных осей</li>

21 <li>Чтобы построить куб или другой трехмерный объект, нужно три ортогональные оси координат</li>

22 </ul>Теперь, когда мы знаем размер исходного массива, можно изменять его форму. Для этого используем метод reshape().

23 <h3>Как изменить размер массива с помощью метода reshape()</h3>

24 В Python используется метод reshape(), с помощью которого можно получить двухмерный и трехмерный массив из одномерного. Этот обязательный параметр ожидает новый размер данных, к которому нужно переформатировать исходный массив.

25 Попробуем получить двумерный массив two_dimensions_array из одномерного массива one_dimension_array. Для этого используем метод reshape() с новым размером данных (4, 3):

26 Чтобы получить трехмерный массив three_dimensions_array, достаточно также указать нужный размер:

27 Изменять форму массива можно не только от данных меньшей размерности к данным большей размерности. Это можно делать и в обратную сторону.

28 Попробуем получить исходный одномерный массив one_dimension_array из двумерного массива two_dimensions_array:

29 А тут переформатируем three_dimensions_array в two_dimensions_array:

30 Необязательно уменьшать размер последовательно. Например, можно из трехмерного массива получить сразу одномерный:

31 С помощью атрибута shape можно узнать размерность массива numpy.ndarray. А метод reshape поможет ее уменьшить или увеличить. Однако у этого массива есть ограничения по размеру данных - его нужно соблюдать, чтобы оптимизировать выполнения методов над массивами.

32 <h2>Какие размеры массива допустимы</h2>

33 У массива numpy.ndarray есть ограничения по размеру данных - по осям индексов должны быть данные одного размера. Это ограничение позволяет оптимизировать выполнения методов над массивами. Рассмотрим на примере.

34 Допустим, нам нужно сконвертировать список из списков длиной три и два:

35 На первый взгляд у нас получился массив numpy.ndarray. Но если внимательно посмотреть на элементы, мы увидим, что получились списки, а не ожидаемые целочисленные массивы. Это ограничит дальнейшую работу с данными, потому что поведение многих методов меняется.

36 Попробуем найти в данном массиве максимальный элемент 4. Это приведет к такому результату:

37 В этом примере мы получили не тот результат, которого ожидали.

38 Numpy старается предотвращать некорректные действия - для этого в нем есть система предупреждений и подсказок. Но это не значит, что не нужно следить за размером массива. Он играет важную роль в реализации методов библиотеки Numpy, поэтому рекомендуем обращать внимание на этот момент.

39 В случае с методом reshape() Numpy вообще не дает совершить некорректную конвертацию массива из 12 элементов в массив из 15 элементов - три блока по пять значений. В этом случае он вызывает исключение:

40 Ограничения по размеру могут добавить неудобств, когда мы увеличиваем или уменьшаем размерность массива. При этом они позволяют не указывать некоторые значения размера, когда мы хотим его изменить.

41 <h2>Как сделать автоматический расчет размера массива</h2>

42 Ограничения на размер массива позволяют не указывать некоторые размеры в методе reshape(). Это можно оставить на автоматический расчет. Для этого нужное значение размерности поменяем на -1:

43 Все преобразования в примере выше дают одинаковый результат. Необходимый размер рассчитывается автоматически, исходя из количества элементов.

44 Для массивов большей размерности это работает по такому же принципу:

45 Чтобы получить одномерный массив и использовать автоматический расчет, не нужно находить количество элементов. Строки в примере ниже дают одинаковый результат:

46 Теперь вы знаете, как определять размерность массива. Вы умеете изменять размер и рассчитывать его автоматически. Чтобы закрепить знания на практике, рассмотрим еще один пример.

47 <h2>Как размер массива меняется на практике</h2>

48 Изменение формы массива помогает подготовить исходные данные - после такой обработки их будет удобнее анализировать и преобразовывать.

49 Представим сервис платформы продаж, который логирует данные по сетевым магазинам в конце рабочего дня в определенном порядке. Аналитики выгрузили данные из закрытого контура платформы. Так они получили 28 значений подневных продаж сети:

50 Полученный массив данных можно визуализировать в виде такой таблицы:

51 <h2>Выводы</h2>

52 Метод shape - важный атрибут для структурного описания массива numpy.ndarray. Он помогает узнать размер вдоль каждой оси.

53 Также стоит пользоваться методом reshape(). Он форматирует исходный массив под нужный размер - при это можно настроить параметры как вручную, так и автоматически.

54 Меняя размер массива, можно получить новые массивы, которые упрощают анализ исходных данных. Главное - соблюдать правила размерности, иначе не получится оптимизировать выполнения методов.