NumPy 数组重塑形状和调整大小
NumPy 中有两个跟形状转换相关的函数（及方法） reshape 以及 resize，它们都能方便的改变矩阵的形状，但是它们之间又有一个显著的差别，我们会着重的来讲。
numpy.reshape()
我们先来看看会在各种数据计算中经常用到的改变数组形状的函数 reshape()。
import numpy as np
arrayA = np.arange(8)
# arrayA = array([0, 1, 2, 3, 4, 5, 6, 7])
np.reshape(arrayA, (2, 4))
# array([[0, 1, 2, 3],
# [4, 5, 6, 7]])
这里它把一个有 8 个元素的向量，转换成了形状为 (4, 2) 的一个矩阵。因为转换前后的元素数目一样，所以能够成功的进行转换，假如前后数目不一样的话，就会有错误 ValueError 报出。
In[1]: np.reshape(arrayA, (3, 4))
---------------------------------------------------------------------------
ValueError Traceback(most recent call last)
ValueError: cannot reshape array of size 8 into shape(3, 4)
我们仔细看转换后的数据，第一行是 arrayA 的前四个数据，第二行是 arrayA 的后四个数据，也就是它是按行来填充数据的，有些时候我们需要把数据填充的顺序改成按列来填充，那我们需要改变函数中的另外一个输入参数 order=
In[1]: np.reshape(arrayA, (2, 4), order="F")
Out[1]: array([[0, 2, 4, 6], [1, 3, 5, 7]])
order 默认的参数是 C，也就是按行填充，当参数变为 F 时，就变成按列填充。
C 的索引顺序还是按照类似 Fortan 的索引顺序来读取输入矩阵的内容，具体可以参照 Numpy reshape 的官方说明文档。ndarray.reshape()
除了用 NumPy 的 reshape 函数外，你还可以用数据 ndarray 对象里面的 reshape 方法来进行矩阵形状变化。它的语法跟 numpy.reshape() 类似，区别在于不用输入矩阵作为参数了。
In[1]: arrayB = arrayA.reshape((2, 4))
In[2]: arrayB
Out[2]: array([[0, 1, 2, 3], [4, 5, 6, 7]])
In[1]: arrayA
Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7])
可以看得出，用法跟 reshape 函数类似。这里想强调的一点是 ndarray.reshape() 方法不会改变原矩阵的数据、形状等，而只是返回一个新的矩阵。
reshape() 函数/方法内存
reshape 函数或者方法生成的新数组和原始数组是共用一个内存的，有点类似于 Python 里面的 shallow copy，当你改变一个数组的元素，另外一个数组的元素也相应的改变了。
In[1]: arrayA = np.arange(8)
arrayB = arrayA.reshape((2, 4))
arrayB
Out[2]: array([[0, 1, 2, 3],
[4, 5, 6, 7]])
In[2]: arrayA[0] = 10
arrayA
Out[2]: array([10, 1, 2, 3, 4, 5, 6, 7])
In[3]: arrayB
Out[3]: array([[10, 1, 2, 3],
[4, 5, 6, 7]])
numpy.resize()
numpy.resize() 跟 reshape 类似，可以改变矩阵的形状，但它有几点不同，
- 没有
order参数了，它只有跟reshape里面order='C'的方式。 - 假如要转换成的矩阵形状中的元素数量跟原矩阵不同，它会强制进行转换，而不报错。
我们具体来看一下第二点
In[1]: arrayA = np.arange(8)
arrayB = np.resize(arrayA, (2, 4))
Out[1]: array([[0, 1, 2, 3],
[4, 5, 6, 7]])
这是尺寸大小正常情况，跟 reshape 的结果是一样的。
In[1]: arrayC = np.resize(arrayA, (3, 4))
arrayC
Out[1]: array([[0, 1, 2, 3],
[4, 5, 6, 7],
[0, 1, 2, 3]])
In[2]: arrayD = np.resize(arrayA, (4, 4))
arrayD
Out[2]: array([[0, 1, 2, 3],
[4, 5, 6, 7],
[0, 1, 2, 3],
[4, 5, 6, 7]])
当新形状行数超出的话，它会开始重复填充原始矩阵的内容，实现形状大小的自动调整而不报错。
In[1]: arrayE = np.resize(arrayA, (2, 2))
arrayE
Out[1]: array([[0, 1],
[2, 3]])
In[2]: np.resize(arrayA, (1, 4))
Out[2]: array([[0, 1, 2, 3]])
当新形状比原形状所需要的数据小的时候，它会从原矩阵读读取出所需要个数的数据，然后按照先按行填充的方式来对新矩阵元素赋值。
(2, 2) 和 (2, 4) 的情形，新矩阵的元素不是按照子集来获取的。比如上例中，np.resize(arrayA, (2, 2)) 不是 array([[0, 1], [4, 5])。假如你需要这样的截取方法，我们会在后续的索引和切片操作中介绍到的。In[1]: np.resize(arrayA, (3, 5))
Out[1]: array([[0, 1, 2, 3, 4], [5, 6, 7, 0, 1], [2, 3, 4, 5, 6]])
当新形状比原形状要大时，它会先按行去填充旧矩阵的元素，并且在元素被用光后，再重复的填充这些元素，直到新矩阵的最后一元素。
resize 函数/方法内存
跟 reshape 不一样的是，resize 函数/方法生成的新数组跟原数组并不共用一个内存，所以彼此元素的改变不会影响到对方。
In[1]: arrayA = np.arange(8)
arrayB = arrayA.reshape((2, 4))
arrayB
Out[2]: array([[0, 1, 2, 3],
[4, 5, 6, 7]])
In[2]: arrayA[0] = 10
arrayA
Out[2]: array([10, 1, 2, 3, 4, 5, 6, 7])
In[3]: arrayB
Out[3]: array([[0, 1, 2, 3],
[4, 5, 6, 7]])
