---

前言

这份文件讲什么？

这是一份专门给代码基础很弱的学生准备的 reshape() 教学文件。

它重点解决这些最常见的问题：

1. shape 到底是什么意思
2. reshape() 到底在干什么
3. -1 到底是什么意思
4. 为什么有时候写两个参数，有时候写三个参数
5. 为什么机器学习里总是先 reshape 再标准化、再 reshape 回去
6. reshape(-1, 1)、reshape(1, -1)、reshape(-1, 4)、reshape(-1, 5, 8) 分别是什么意思

这份 notebook 的目标不是让你“背语法”，而是让你真正理解：

数组只是换了排布方式，总元素个数并没有变。

---

一、先从 shape 开始：什么叫“形状”？

在 NumPy 里，每个数组都有一个 shape，表示：

这个数组现在是按什么结构排布的

例如：

• (6,) 表示一维数组，一共有 6 个元素
• (2, 3) 表示二维数组，2 行 3 列
• (2, 3, 4) 表示三维数组，可以理解成有 2 个块，每个块里是 3 行 4 列

重点提醒

shape 不是在说数组“值是多少”，而是在说：

这些值现在是怎么摆放的

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6])

print("x =")
print(x)
print("x.shape =", x.shape)

---

二、reshape() 到底在干什么？

reshape() 的作用是：

不改变元素总个数，只改变这些元素的排布方式

例如，原来是一维数组：

[1, 2, 3, 4, 5, 6]

你可以把它改成二维数组：

[[1, 2, 3],
 [4, 5, 6]]

虽然长得不一样，但里面的 6 个数字还是同样那 6 个数字。

最重要的规则

reshape() 前后，总元素个数必须一样。

x_2d = x.reshape(2, 3)

print("x.reshape(2, 3) =")
print(x_2d)
print("shape =", x_2d.shape)

---

三、为什么 (2, 3) 可以，但 (2, 4) 不可以？

因为原数组里一共只有 6 个元素。

如果写：

reshape(2, 3)

表示：

• 2 行
• 3 列

总共需要：

2 * 3 = 6

正好对得上。

如果写：

reshape(2, 4)

表示：

• 2 行
• 4 列

总共需要：

2 * 4 = 8

但原数组只有 6 个元素，所以不行。

print("原数组元素总数 =", x.size)

print("\n可以的例子：reshape(3, 2)")
print(x.reshape(3, 2))

print("\n不可以的例子：reshape(2, 4)")
try:
    print(x.reshape(2, 4))
except Exception as e:
    print("报错信息：", e)

---

四、-1 到底是什么意思？

-1 的意思是：

这一维我不手工算了，让 NumPy 自动帮我算

例如：

x.reshape(-1, 1)

意思是：

• 列数固定为 1
• 行数让 NumPy 自动算

因为原数组一共有 6 个元素，所以 NumPy 会自动算出：

• 6 行
• 1 列

所以结果 shape 是 (6, 1)。

x_col = x.reshape(-1, 1)

print("x.reshape(-1, 1) =")
print(x_col)
print("shape =", x_col.shape)

---

五、再看一个：reshape(-1, 2) 是什么意思？

x.reshape(-1, 2)

意思是：

• 每行 2 个元素
• 一共多少行让 NumPy 自动算

因为总共有 6 个元素，所以会自动算出：

• 3 行
• 2 列

也就是 shape = (3, 2)

x_3_2 = x.reshape(-1, 2)

print("x.reshape(-1, 2) =")
print(x_3_2)
print("shape =", x_3_2.shape)

---

六、reshape(2, -1) 又是什么意思？

这次反过来：

x.reshape(2, -1)

意思是：

• 行数固定 2
• 列数让 NumPy 自动算

因为总共有 6 个元素，分成 2 行后，每行就必须有 3 个元素。

所以结果 shape 是 (2, 3)。

x_2_auto = x.reshape(2, -1)

print("x.reshape(2, -1) =")
print(x_2_auto)
print("shape =", x_2_auto.shape)

---

七、为什么 -1 很常用？

因为很多时候你只知道：

• 我希望每行有几个特征
• 但我不想自己去手工算一共有多少行

这时就可以写 -1。

例如：

reshape(-1, 4)

意思就是：

• 每行有 4 个特征
• 一共有多少行，NumPy 自动算

这在机器学习里特别常见。

---

八、reshape() 里为什么有时候是两个参数？

当你写：

reshape(a, b)

你是在把数组变成二维。

二维数组最常见的理解方式是：

• 第 1 维：行数
• 第 2 维：列数

在机器学习里，二维数组经常表示：

(样本数, 特征数)

例如：

• (100, 2)：100 个样本，每个样本 2 个特征
• (640, 8)：640 个样本，每个样本 8 个特征

a = np.arange(12)

print("原数组 a =")
print(a)
print("a.shape =", a.shape)

a_2d = a.reshape(3, 4)
print("\na.reshape(3, 4) =")
print(a_2d)
print("shape =", a_2d.shape)

---

九、reshape() 里为什么有时候是三个参数？

当你写：

reshape(a, b, c)

你是在把数组变成三维。

三维数组在机器学习里很常见于：

• 时序数据
• 视频数据
• 多通道信号
• 批量图像

时序数据最常见的写法

(样本数, 时间步, 特征数)

例如：

• (640, 5, 8) 表示：
  • 640 个样本
  • 每个样本 5 个时间步
  • 每个时间步 8 个特征

b = np.arange(24)

b_3d = b.reshape(2, 3, 4)

print("b.reshape(2, 3, 4) =")
print(b_3d)
print("shape =", b_3d.shape)

---

十、为什么机器学习里经常“先拉平，再 reshape 回去”？

这和很多作业题非常相关。

例如，原始输入可能是时序数据：

(样本数, 时间步, 特征数)

但像 StandardScaler() 这样的工具通常要求输入是二维：

(样本数, 特征数)

所以常见流程是：

第一步：先把三维拉平成二维

比如：

X.reshape(-1, 8)

第二步：做标准化

scaler.fit_transform(...)

第三步：再 reshape 回三维

比如：

.reshape(-1, 5, 8)

这就是为什么很多时序题里你会看到一连串 reshape。

X_demo = np.arange(80).reshape(2, 10, 4)

print("原始三维数据 X_demo.shape =", X_demo.shape)

X_flat = X_demo.reshape(-1, 4)
print("拉平成二维后 X_flat.shape =", X_flat.shape)

X_back = X_flat.reshape(-1, 10, 4)
print("再变回三维后 X_back.shape =", X_back.shape)

---

十一、为什么这里拉平成 (-1, 4)？

因为原来三维数据的最后一维是 4，表示：

每个时间步有 4 个特征

我们做标准化时，仍然希望：

• 每一列对应一个固定特征
• 不要把特征混乱掉

所以 reshape 成：

(-1, 4)

意思就是：

• 前面样本数和时间步数先合并
• 每一行保留 4 个特征

这样标准化器就能“按列处理每个特征”。

---

十二、为什么 reshape(-1, 1) 和 reshape(1, -1) 完全不同？

这两个虽然都用了 -1，但意思完全不一样。

reshape(-1, 1)

表示：

• 变成一列
• 行数自动算

结果像这样：

[[1],
 [2],
 [3],
 [4]]

shape 是 (4, 1)

reshape(1, -1)

表示：

• 变成一行
• 列数自动算

结果像这样：

[[1, 2, 3, 4]]

shape 是 (1, 4)

c = np.array([1, 2, 3, 4])

print("c.reshape(-1, 1) =")
print(c.reshape(-1, 1))
print("shape =", c.reshape(-1, 1).shape)

print("\nc.reshape(1, -1) =")
print(c.reshape(1, -1))
print("shape =", c.reshape(1, -1).shape)

---

十三、为什么线性回归里经常写 reshape(-1, 1)？

因为很多 sklearn 模型要求输入 X 必须是二维。

如果只有一个特征，例如：

x = [1, 2, 3, 4]

它原本 shape 是：

(4,)

这是一个一维数组。

但模型想要的是：

(4, 1)

意思是：

• 4 个样本
• 每个样本 1 个特征

所以就常写：

x.reshape(-1, 1)

x_lin = np.array([1, 2, 3, 4])

print("原 shape =", x_lin.shape)
print("reshape(-1, 1) 后 shape =", x_lin.reshape(-1, 1).shape)
print(x_lin.reshape(-1, 1))

---

十四、为什么 RNN / LSTM 题里常写 reshape(-1, 5, 8)？

因为 RNN / LSTM 读的是三维时序数据。

例如：

(样本数, 时间步, 特征数)

如果题目规定：

• 每个样本 5 个时间步
• 每个时间步 8 个特征

那么最终喂给 LSTM 的 shape 就应该是：

(-1, 5, 8)

这里的 -1 表示：

• 有多少个样本，让 NumPy 自动算

z = np.arange(160)

z_seq = z.reshape(-1, 5, 8)

print("z.reshape(-1, 5, 8) 后 shape =", z_seq.shape)
print("也就是：样本数自动算，每个样本 5 个时间步，每步 8 个特征")

---

十五、reshape() 最常见的报错原因是什么？

1. 总元素个数对不上

例如原来只有 6 个元素，却想 reshape 成 (2, 4)，这是不行的。

2. 同时写了两个 -1

例如：

reshape(-1, -1)

这是不行的，因为 NumPy 不知道该自动算哪一维。

3. 逻辑上 shape 虽然对，但语义不对

例如本来最后一维是“特征数”，你却写错成别的数，虽然总元素个数对得上，但机器学习意义错了。

print("错误示例 1：元素数对不上")
try:
    print(np.arange(6).reshape(2, 4))
except Exception as e:
    print("报错：", e)

print("\n错误示例 2：同时写两个 -1")
try:
    print(np.arange(6).reshape(-1, -1))
except Exception as e:
    print("报错：", e)

---

十六、你应该怎么判断 reshape 写得对不对？

以后遇到 reshape，不要死记，直接问自己这 4 个问题：

1. 原数组一共有多少个元素？

先看 .size

2. 你想变成几维？

• 二维？
• 三维？

3. 每一维在机器学习里代表什么？

例如：

• 样本数
• 时间步数
• 特征数

4. reshape 前后，总元素个数是否一致？

这是硬性要求。

demo = np.arange(24)

print("demo.size =", demo.size)
print("demo.reshape(2, 3, 4).shape =", demo.reshape(2, 3, 4).shape)
print("2 * 3 * 4 =", 2 * 3 * 4)

---

十七、最短记忆版

你可以记住下面几句：

• reshape()：改形状，不改总元素个数
• -1：这一维让 NumPy 自动算
• reshape(-1, 1)：变成一列
• reshape(1, -1)：变成一行
• reshape(-1, 4)：二维，每行 4 个特征
• reshape(-1, 5, 8)：三维，每个样本 5 个时间步、每步 8 个特征

---

十八、课堂追问

1. reshape() 会不会改变数组里的数字？
2. 为什么 reshape() 前后元素总数必须一致？
3. -1 到底是什么意思？
4. reshape(-1, 1) 和 reshape(1, -1) 有什么区别？
5. 为什么 StandardScaler() 前常常先把三维数据拉平成二维？
6. 为什么 RNN / LSTM 的输入通常是三维数组？
7. 如果原数组有 80 个元素，写 reshape(-1, 10, 4) 时，NumPy 会自动算出多少个样本？

---

总结

本文从零开始，系统讲解了 NumPy 中 reshape() 函数的用法，重点解决了以下几个核心概念：

• shape（形状）：只是元素的排列方式，不改变元素本身。
• reshape 规则：元素总数必须前后一致，否则会报错。
• -1 的含义：让 NumPy 自动推算这一维的大小，极大简化了代码。
• 二维与三维：分别对应 (样本数, 特征数) 和 (样本数, 时间步, 特征数) 的典型机器学习数据格式。
• 典型应用：将一维特征转为二维供 sklearn 使用 reshape(-1,1)；标准化前将时序数据拉平成二维，处理完再还原；构建 LSTM 输入时用 reshape(-1, time_steps, features)。

理解这些基础后，再遇到任何 reshape 都不会慌张。记住的关键一句话：reshape 只是换种摆法，数字一个不少。

最后，不妨尝试回答文中十八个课堂追问，检验一下自己是否真的掌握了 reshape 的精髓。