這一陣在用python做DRL建模的時(shí)候，尤其是在配合使用tensorflow的時(shí)候，加上tensorflow是先搭框架再跑數(shù)據(jù)，所以調(diào)試起來(lái)很不方便，經(jīng)常遇到輸入數(shù)據(jù)或者中間數(shù)據(jù)shape的類型不統(tǒng)一，導(dǎo)致一些op老是報(bào)錯(cuò)。而且由于水平菜，所以一些常用的數(shù)據(jù)shape轉(zhuǎn)換操作也經(jīng)常百度了還是忘，所以想再整理一下。

一、數(shù)據(jù)的基本屬性

求一組數(shù)據(jù)的長(zhǎng)度

a = [1,2,3,4,5,6,7,8,9,10,11,12]print(len(a))print(np.size(a))

求一組數(shù)據(jù)的shape

list是沒(méi)有shape屬性的，所以需要把它轉(zhuǎn)換成np或者使用np.shape()

b = [[1,2,3],[4,5,6],[7,8,9]]print(np.shape(b))print(np.array(b).shape)

二、數(shù)據(jù)的拼接

append是直接將數(shù)組或者數(shù)據(jù)直接追加到下一個(gè)元素的位置，而extend是將數(shù)據(jù)最外層的[]去掉后追加。

c = [1,1,1,1]d = [[2,2],[[2,2],[2,2]]]c.append([1,2,3])d.extend([1,2,3])[1, 1, 1, 1, [1, 2, 3]][[2, 2], [[2, 2], [2, 2]], 1, 2, 3]

另外也可以通過(guò)numpy中的方法來(lái)進(jìn)行拼接

其中np.concatenate()的作用更偏向與數(shù)據(jù)的連接，通過(guò)其中的axis參數(shù)可以進(jìn)行指定行列的拼接。

而np.append()的作用是將value b追加到arr a中。

c = np.concatenate((a, b))d = np.append(a,b)print(c)print(d)[1 1 1 1 2 2 2 2][1 1 1 1 2 2 2 2]

三、數(shù)據(jù)的shape的轉(zhuǎn)換

1、轉(zhuǎn)置

數(shù)據(jù)的轉(zhuǎn)置也經(jīng)常會(huì)用到，通常可以用到numpy的transpose()方法或者直接將數(shù)據(jù)轉(zhuǎn)換為numpy array后用.T或者用reshape()方法。

a = [[1,1,1],   [1,1,1]]b = [[2,2,2],   [2,2,2]]c = [[3,3,3],   [3,3,3]]b = np.array(b)c = np.array(c)print(np.transpose(a))print(b.T)print(np.reshape(c, (c.shape[1], c.shape[0])))[[1 1] [1 1] [1 1]][[2 2] [2 2] [2 2]][[3 3] [3 3] [3 3]]

2、數(shù)據(jù)展開(kāi)

如果是一個(gè)多維的數(shù)組，可以直接使用np.reshape(-1)來(lái)進(jìn)行轉(zhuǎn)換，reshape是一個(gè)很好用的函數(shù)，其中的參數(shù)含義后面會(huì)講到。

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

3、維度轉(zhuǎn)換

有時(shí)候可能會(huì)用到將一個(gè)一維的數(shù)組轉(zhuǎn)換為二維，或者是在column方向或row方向上增加維度。

當(dāng)給col方向增加維度時(shí)，可以直接arr[:,np.newaxis],

給row方向增加維度時(shí)，可以arr[np.newaxis,:]

另外，這里的np.newaxis可以這樣理解：

一個(gè)[1,2,3,4,5]數(shù)組的shape是（5，）,如果對(duì)它[:,np.newaix]的話，得到的shape就是（5，1）

對(duì)它[np.newaix, :]的話，得到的結(jié)果就是（1，5）。所以說(shuō)newaxis加在哪個(gè)位置，哪個(gè)位置相應(yīng)的維度就會(huì)產(chǎn)生一個(gè)新的維度。

a = np.array([1,1,1,1])b = a[np.newaxis,:]c = a[:,np.newaxis]print(b)print(c)[[1 1 1 1]][[1] [1] [1] [1]]