理解 -1 在 Numpy Reshape 中的作用

在 Numpy 中，reshape() 方法允許對數組形狀進行轉換。使用 2D 陣列時，可以使用 reshape(-1) 將它們重塑為 1D 陣列。例如：

import numpy as np

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
a.reshape(-1)
# Output: array([[1, 2, 3, 4, 5, 6, 7, 8]])

通常，array[-1]表示陣列中的最後一個元素。然而，在 reshape(-1) 的上下文中，這具有不同的意義。

Reshape 中的 -1 參數

reshape(- 1) 用作通配符維度。這表示新形狀的相應尺寸應自動決定。這是透過滿足新形狀必須與原始數組形狀對齊並保留其線性維度的標準來完成的。

Numpy 允許在形狀參數之一中使用 -1，從而能夠指定未知維度。例如，(-1, 3) 或 (2, -1) 是有效形狀，而 (-1, -1) 則不是。

重塑(-1) 範例

考慮以下陣列：

z = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
z.shape  # (3, 4)

使用 (-1) 重塑:

z.reshape(-1)
# Output: array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])
# New shape: (12,)

使用 (-1, 1) 重塑（單一特徵）:

z.reshape(-1, 1)
# Output: array([[ 1], [ 2], [ 3], [ 4], [ 5], [ 6], [ 7], [ 8], [ 9], [10],
#                [11], [12]])
# New shape: (12, 1)

使用 (-1, 2) 重塑（單行）：

z.reshape(1, -1)
# Output: array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12]])
# New shape: (1, 12)

使用 (2, -1) 重塑:

z.reshape(2, -1)
# Output: array([[ 1,  2,  3,  4,  5,  6], [ 7,  8,  9, 10, 11, 12]])
# New shape: (2, 6)

使用 (3, -1) 重塑 (原始形狀):

z.reshape(3, -1)
# Output: array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
# New shape: (3, 4)

請注意，將兩個維度指定為-1，即(-1, -1)，會導致錯誤。

透過理解意義reshape() 中的 -1 時，開發人員可以有效地轉換數組形狀，以滿足他們在 Numpy 中的特定資料處理需求。