为什么numpy的resize函数没有最近邻插值

在使用NumPy的数组时，经常会遇到改变数组形状，对数组进行重塑的需求，因此在此进行学习整理，有不准确或者错误的地方还请指正。

1. reshape

ndarray.reshape(new_shape, order='C')numpy.reshape(a, new_shape, order='C')
参数

• a: 要重新整形的数组。
• new_shape: int或int的元组
• order: ‘C’、‘F’、‘A’，可选

1.1 ndarray.reshape(new_shape) 与 np.reshape(a, new_shape) 的区别

NumPy 中有大量的这种现象，有些地方会将 a.xxx() 称为方法调用(看作面向对象)，而将numpy.xxx(a) 称为自由函数。有时候这两种调用方式的效果是完全一样的，而有时候又会有一些差别，就reshape而言两者有一点的不同：

a.reshape((2, 3)) 可以直接写作 a.reshape(2, 3)，而np.reshape(a, (2, 3)) 写作 np.reshape(a, 2, 3)会报错

这其中最直接原因可能是(个人看法) a.reshape() 参数中在不考虑order之外只有一个new_shape，无论是(2, 3)还是2, 3都可以明确其含义，而反观np.reshape() 既有 a 参数，又有new_shape参数，不太容易区分

1.2 reshape返回的是数组的一个视图（可能）

如果对reshape返回的结果进行修改，原数组也会在相应位置进行修改
其实官方文档上说的是：如果可能的话，会返回一个视图，否则将是一个数组的副本，所以说就是不保证一定是一个视图
其实这话说了一点用也没有，也没有说到底啥时候返回一个视图，啥时候返回一个副本，不过我使用的时候还没有遇到不是副本的情况，可能没有遇到特殊情况吧

1.3 关于参数new_shape

new_shape的取值是必须的，不能省略，有以下三种情况：(假设数组元素总数为N)

• $(n_1, n_2, ..., n_t)$，且 $\prod_{i=1}^{i=t}n_i=N$
  也就是说，各维度的长度乘积要把数组中的值一个不漏地安排完
• $(n_1, n_j, -1, n_{j+2}, ..., n_t)$
  也就说，可以允许一个维度上的取值为 -1，至于该维度上的长度究竟是多少，由numpy自己推算，原则还是那一条：所有数据必须一个不能少
• $N$
  当参数值为一个int类型的整数是，必须是N，即该数组的元素总数，不能是其他数值，此时表示将该数组重塑为一维数组

1.4 关于参数order

order是一个可选参数，可选值为：'C'、'F'、'A'，默认为:'C' 我对取值为'A'的情况还没有完全理解，因此只讨论取值为 'C'和'F'的情况

首先以二维数组为例：

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

根据 1.3中对于参数newshape的解释，可以确定上述代码最终的结果是将a 拉成一个一维数组，那么最终的结果是$[1, 2, 3, 4, 5, 6]$还是$[1, 4, 2, 5, 3, 6]$呢？绝大多数人的思维惯性会认为答案是前者，可是答案有没有可能是后者呢？是有可能的！order参数就是来解决这个问题的。

order缺省情况下，取值为C,即首先按照 行 来读取元素，进而实现重塑；而当取值为F时，即首先按照 列 来读取元素，进而实现重塑，就得到了上文中提到的第二种结果

推广到高维数组 $shape=(n_1, n_2, ..., n_t)$，order参数取值为C表示首先按照 $n_t$ 来读取元素，其次是 $n_{t-1}$ ，依次到最后一个是 $n_1$；取值为 F 时刚好相反，首先按照 $n_1$ 来读取元素，其次是 $n_2$ ，依次到最后一个是 $n_t$。

numpy中的很多函数都有这个参数，大多数都是这个含义
其实我们一般都习惯缺省值，思维习惯吧。

---

2. resize

2.1 np.rersize

ndarray.resize(a, new_shape)

参数

• a：要调整大小的数组。
• new_shape： int或int的元组，要生成的数组的形状
  

注意：如果新数组元素数目多于原始数组元素数目(a)，多余部分将重复填充 a

• np.resize 函数几乎可以覆盖 reshape 函数的功能，但是new_shape中任一维度的取值均不能为-1;
• 当目标数组元素多余原始数组元素个数时，使用原始数组中的元素逐个填充，且是按照 C 顺序填充；
• np.resize返回的结果数组不是原始数组的视图

2.2 ndarray.resize

ndarray.resize(new_shape, refcheck=True)
参数

• new_shape： int或int的元组，要生成的数组的形状
• refcheck：可选的布尔值, 如果为false，则不检查引用计数。默认值为true

注意：此方法就地更改数组的形状和大小；如果新数组元素数目多于原始数组元素数目(a)，多余部分将用零填充，而不是重复复制 a

• a.resize 方法就地改变 数组a，没有返回值
• refcheck参数默认缺省为true，此时一般会报错，这个错误也是搞的一头雾水；但是当设置参数refcheck为false时，就会得到想要得到的数组，并且以0填充多余的位置

2.3 总结

说实话，知道这次整理数组重塑的相关方法时候才发现原来numpy中还有一个这样的函数(之前用opencv中的resize函数比较多)。并且该函数改变了数组的内容，并不是一般意义上的数组的重塑，不过或许其能够自动补充元素的功能会在之后有机会用到吧。

---

3. transpose

numpy.transpose(a, axes=None)
参数

• a：输入数组。
• axes：元组或整数列表，可选

ndarray.transpose(*axes)
参数

• axes ：元组或整数列表，可选

3.1 数组的转置

其实，numpy中的这个transpose函数对应的是数学概念中的数组的转置，转置的概念在二维层面很好理解，就是把行列调换位置呗，$a_{i,j}$变为$a_{j,i}$即可。但是，当数组超过二维时候，数组的这个转置概念就会变得比较抽象，理解起来也比较困难，所以此处就是就功能而言，不再涉及具体的数学概念，高维情况下比较多的是三维(opencv)和四维(深度学习中的tensor)等。

• a.T 可以很简单的实现数组的转置
  可以看到数组b由原来的4*6转置为6*4



• 
  
• 对高维数组进行 .T 操作，会将所有的轴顺序倒序排列
  数组 d 由原来的 2 * 3 * 4 变为 4 * 3 * 2



• 
  
• .T 操作返回的是原数组的一个视图，对返回结果的改变会直接体现在原数组上

3.2 numpy.transpose(a, axes=None)

numpy.transpose可以视为 .T 操作的增强版，其除了能够实现数组的转置操作，还能够实现数组任意两个轴之间的变换

• 当参数 axes 缺省时，默认执行的就是数组的转置操作，数组形状由原来的 2 * 3 * 4 转变为 4 * 3 * 2，此时与 .T 的效果是一样的
• 当参数 axes 非缺省状态下，其值必须是一个 列表或元组，其必须是 $0, 1, ..., N-1$($N$为数组的维度)的一个排列组合，表示原数组轴在新数组轴的位置，比如 axes=(1, 2, 0)表示将原数组的第1个轴放置在新数组的第0轴的位置，原数组的第2个轴放置在新数组的第1轴的位置，原数组的第0个轴放置在新数组的第2轴的位置，从而数组的形状由原来的 2*3*4 转变为 3 * 4 * 2

3.3 ndarray.transpose(*axes)

等价于 numpy.tramspose(*axes)，其中 axes 的取值情况也与 numpy.transpose(a, axes=None) 中axes 的取值情况相同。

---

4. swapaxes

numpy.swapaxes(a, axis1, axis2)
参数

• a：输入数组。
• axis1, axis2：整数，表示需要交换的两个轴

ndarray.swapaxes(axis1, axis2)
参数

• axis1, axis2：整数，表示需要交换的两个轴

swapaxes 可以视为 transpose 的一种特殊实现，transpose可以一次性实现多个轴位置的变换，而 swapaxes 只能实现两个轴位置的变换

• 上述的自由函数与实例方法实现的功能完全相同
• axis1, axis2 的取值只能是 $[0, N-1]$中的取值，$N$表示数组维度
• 返回结果绝大多数情况下是原数组的一个视图

---

5. flatten

ndarray.flatten(order='C')
参数

• order：‘C’、‘F’、‘A’、‘K’，可选，缺省值为 ‘C’

flatten将数组转化为一维数组，就是字面意义上的 拉平

• 该实例方法没有对应的自由函数
• 参数 order 为可选参数，默认为 C，其意义已经在1.4中解释，在此不再赘述
• 返回数组原数组的副本，并非视图

---

6. ravel

numpy.ravel(a, order='C')
参数：

• a：数组
• order：‘C’、‘F’、‘A’、‘K’，可选，缺省值为 ‘C’

ndarray.ravel(order='C')
参数：

• order：‘C’、‘F’、‘A’、‘K’，可选，缺省值为 ‘C’

• ravel 实现的功能与 flatten 实现的功能相同，都是将数组拉平为一维数组。两者所不同的地方在于，ravel 返回的是数组的一个视图；flatten 返回的是数组的一个副本
• 自由函数和实例方法版本的ravel功能相同
• 参数 order 为可选参数，默认为 C，其意义已经在1.4中解释，在此不再赘述

---

7. squeeze

numpy.squeeze(a, axis=None)
参数：

• a：数组
• axis：int或int元组，可选，缺省值为 None

ndarray.squeeze(axis=None)
参数：

• axis：int或int元组，可选，缺省值为 None

该函数或方法是将数组中长度为1的轴删除

• 自由函数与实例方法实现的功能相同
• axis缺省时，删除数组中所有长度为 a 的轴
• 返回数组为原数组的一个视图

• axis 取值为 int或int元组时(在此处不能为 int的列表，否则会报错)，会删除指定的轴，但是指定的轴长度必须确实为1，否则会报错
• 如果数组中只有一个元素，在删除了所有长度为1的轴后，得到的结果并不是一个标量，而仍然是一个 0维数组，如果想要得到这个标量可以使用 ndarray[()]

8. numpy.expand_dims(a, axis) 与 numpy.newaxis

这两个要实现的功能与 squeeze 的功能刚好相反，即在指定的位置添加长度为 1 的轴

8.1 numpy.expand_dims(a, axis)

numpy.expand_dims(a, axis)
参数：

• a：数组
• axis：int或int元组，表示新轴的位置

• 函数返回的数组是原数组的一个视图
• axis 取值不能大于数组当前的维度，否则会报错

此处请注意：axis的取值不能大于数组当前的维度，并非不能大于原数组的维度$N$，这种情况出现在axis为元组时

可以看到，虽然数组 b的维度为2，即$N=2$，但是在 c = np.expand_dims(b, (2, 3)) 中可以传入(2, 3)，其原因是当在传入 3 之前还有一个 2，此时的维度已经变为了 $N=3$

---

8.2 numpy.newaxis

numpy.newaxis 既不是自由函数也不是实例方法，而是一个常量，并且 np.newaxis is None 的值为 True。
我更愿意把其理解为一个标志，就是说，在其出现的位置就是要增加一个长度为 1 的轴，至于其本身是什么含义并不重要

• numpy.newaxis出现在索引的位置，ndarray[numpy.newaxis] 默认在最后一个轴之后添加一个长度为1的轴
• 可以在指定轴位置添加长度为1的轴，: 表示此位置不添加新轴
• 返回的数组是原数组的一个视图

---