4、NumPy数组操作：形状变换（reshape、resize）、拼接与分割（concatenate、split）、转置与轴交换

实战案例：图像数据预处理中的形状变换

假设我们有一批灰度图像数据，原始存储形状为 (num_samples, height, width)，例如 (1000, 64, 64)。在输入卷积神经网络前，需要将其展平为二维矩阵 (1000, 4096)，或者增加通道维度变为 (1000, 1, 64, 64)。

import numpy as np
# 模拟 1000 张 64x64 的灰度图
images = np.random.randint(0, 255, size=(1000, 64, 64), dtype=np.uint8)

# 场景1：展平为特征矩阵（使用 reshape，返回视图，零拷贝）
flat_images = images.reshape(1000, -1)  # 自动计算 64*64=4096
print(f"展平后形状: {flat_images.shape}")  # (1000, 4096)

# 场景2：增加通道维度（使用 np.expand_dims 或 reshape）
channels_first = images.reshape(1000, 1, 64, 64)
print(f"通道前置形状: {channels_first.shape}")  # (1000, 1, 64, 64)

# 场景3：当需要循环填充数据时（例如数据增强中的重复）
expanded = np.resize(images[:10], (15, 64, 64))  # 从10张循环填充到15张
print(f"循环填充后形状: {expanded.shape}")  # (15, 64, 64)

该案例中，reshape 操作没有产生任何数据复制，内存效率极高。而 np.resize 则创建了新数组，且第 11-15 张图是前 5 张的重复，这在某些数据均衡策略中非常实用。

实战案例：多传感器数据融合

某工业设备同时采集温度、振动和压力三种信号，每秒钟各产生 100 个采样点。我们需要将三个一维数组合并为一个二维矩阵，每行代表同一时刻的三种传感器读数。

import numpy as np
# 模拟 1 秒内的数据，各 100 个采样点
temp = np.random.rand(100) * 100      # 温度 0-100°C
vib = np.random.rand(100) * 5         # 振动幅度 0-5mm
pressure = np.random.rand(100) * 10   # 压力 0-10kPa

# 方法1：使用 column_stack（hstack 的变体）
sensor_matrix = np.column_stack((temp, vib, pressure))
print(f"传感器矩阵形状: {sensor_matrix.shape}")  # (100, 3)

# 方法2：使用 stack 增加样本维度（模拟 100 个时间步，每个步有 3 个特征）
time_series = np.stack((temp, vib, pressure), axis=1)  # (100, 3)
print(f"时间序列形状: {time_series.shape}")

# 分割：将 100 个时间步分为 4 段，每段 25 步
segments = np.split(time_series, 4, axis=0)
print(f"分割段数: {len(segments)}, 每段形状: {segments[0].shape}")  # (25, 3)

此案例展示了拼接在特征融合中的应用。column_stack 自动将一维数组按列拼接，而 stack 则更灵活地控制新轴位置。分割操作则便于后续按时间段进行滑动窗口分析。

实战案例：深度学习中的张量维度调整

在图像处理任务中，PyTorch 模型通常期望输入形状为 (Batch, Channel, Height, Width)，即通道前置（NCHW）。而 OpenCV 读取的图像形状为 (Height, Width, Channel)，即通道后置（HWC）。转换过程如下：

import numpy as np
# 模拟 OpenCV 读取的 BGR 图像，高度 480，宽度 640，3 通道
image_hwc = np.random.randint(0, 255, size=(480, 640, 3), dtype=np.uint8)
print(f"原始形状 (HWC): {image_hwc.shape}")

# 方法1：使用 transpose 调整轴顺序
image_chw = image_hwc.transpose(2, 0, 1)  # (3, 480, 640)
print(f"转置后形状 (CHW): {image_chw.shape}")

# 方法2：使用 swapaxes 分两步完成
# 先交换 H 和 C，再交换 W 和 C（不推荐，但演示原理）
temp = image_hwc.swapaxes(0, 2)  # (3, 640, 480)
image_chw_v2 = temp.swapaxes(1, 2)  # (3, 480, 640)
print(f"swapaxes 结果: {image_chw_v2.shape}")

# 验证两种方法结果一致
print(f"结果一致: {np.array_equal(image_chw, image_chw_v2)}")  # True

该案例展示了 transpose 在深度学习数据预处理中的核心地位。使用 transpose 一步到位，而 swapaxes 需要两步且容易混淆，实际开发中优先使用 transpose。