Numpy 提供了多种数组形状操作，用于查看、修改数组的形状（即数组的维度）。这些操作包括查看数组的形状、改变形状、展平数组、增加或减少数组的维度等。下面详细介绍常用的数组形状操作，并通过实例说明如何使用它们。
1. 查看数组形状：shape 属性
Numpy 数组的 shape 属性返回数组的形状，显示每一维的大小。
示例：
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 查看数组的形状
print(arr.shape)
输出：
(2, 3)
这里，数组 arr 的形状是 (2, 3)，表示它有 2 行和 3 列。
2. 改变数组形状：reshape()
reshape() 函数用于改变数组的形状，但不改变其数据。数组的总元素个数必须保持一致。
示例：
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6])
# 将一维数组转换为二维数组，形状为 (2, 3)
reshaped_arr = arr.reshape((2, 3))
print(reshaped_arr)
输出：
[[1 2 3]
[4 5 6]]
reshape() 将一维数组 arr 转换成了二维数组，形状为 (2, 3)。
重要提示：
如果你试图将数组形状改成一个与元素数量不匹配的形状，Numpy 会抛出错误。
# 错误示例：元素个数不匹配
# arr.reshape((3, 3)) # 会引发错误，因为数组的元素总数为 6，无法重塑为 (3, 3)
3. 展平数组：ravel() 和 flatten()
这两个函数都可以将多维数组展平成一维数组，但它们之间有细微差异：
ravel()：返回的是原数组的视图（view），如果对展平后的数组进行修改，原数组也会随之改变（除非数组存储不连续）。flatten()：返回的是原数组的副本，修改展平后的数组不会影响原数组。
示例：
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 使用 ravel 展平
ravel_arr = arr.ravel()
print("Ravel:", ravel_arr)
# 使用 flatten 展平
flatten_arr = arr.flatten()
print("Flatten:", flatten_arr)
输出：
Ravel: [1 2 3 4 5 6]
Flatten: [1 2 3 4 5 6]
两者的输出看似相同，但 ravel() 返回的是视图，而 flatten() 返回的是副本。
4. 转置数组：transpose() 和 .T
transpose() 和 .T 属性用于交换数组的轴，即转置数组。对于二维数组，转置是行列互换。
示例：
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 使用 transpose() 进行转置
transposed_arr = arr.transpose()
print("Transposed array using transpose():\n", transposed_arr)
# 使用 .T 进行转置
transposed_arr_T = arr.T
print("Transposed array using .T:\n", transposed_arr_T)
输出：
Transposed array using transpose():
[[1 4]
[2 5]
[3 6]]
Transposed array using .T:
[[1 4]
[2 5]
[3 6]]
5. 增加或减少维度：expand_dims() 和 squeeze()
expand_dims()：用于在指定位置插入一个新的维度。squeeze()：用于移除数组中的单维（即大小为 1 的维度）。
示例：增加维度
# 创建一个一维数组
arr = np.array([1, 2, 3])
# 在第 0 轴增加一个维度
expanded_arr = np.expand_dims(arr, axis=0)
print("Expanded array:\n", expanded_arr)
print("Shape after expanding:", expanded_arr.shape)
输出：
Expanded array:
[[1 2 3]]
Shape after expanding: (1, 3)
示例：减少维度
# 创建一个形状为 (1, 3, 1) 的三维数组
arr = np.array([[[1], [2], [3]]])
# 使用 squeeze() 移除所有大小为 1 的维度
squeezed_arr = np.squeeze(arr)
print("Squeezed array:", squeezed_arr)
print("Shape after squeezing:", squeezed_arr.shape)
输出：
Squeezed array: [1 2 3]
Shape after squeezing: (3,)
6. 数组的形状重排：swapaxes()
swapaxes() 用于交换数组的两个指定轴。
示例：
# 创建一个三维数组
arr = np.array([[[1, 2, 3], [4, 5, 6]]])
# 交换第 0 轴和第 1 轴
swapped_arr = np.swapaxes(arr, 0, 1)
print("Swapped array:\n", swapped_arr)
输出：
Swapped array:
[[[1 2 3]]
[[4 5 6]]]
7. 调整数组的维度：resize()
与 reshape() 类似，但 resize() 会直接修改数组自身，并且允许更改后的形状与原始数组的元素个数不匹配（会重复使用原数组的元素或截断多余的元素）。
示例：
# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 使用 resize() 修改数组形状
arr.resize((2, 3))
print("Resized array:\n", arr)
输出：
Resized array:
[[1 2 3]
[4 1 2]]
由于新的形状是 (2, 3)，而原始数组只有 4 个元素，所以 resize() 会循环使用原数组的元素来填充新的形状。
总结：
- 查看形状：
shape - 改变形状：
reshape() - 展平数组：
ravel()和flatten() - 转置数组：
transpose()和.T - 增加维度：
expand_dims() - 减少维度：
squeeze() - 交换轴：
swapaxes() - 调整数组维度：
resize()
这些操作使得 Numpy 数组在处理数据时非常灵活，适用于不同形状的数据需求。