改变数据形态
我们在 Array维度 的教学中，已经得知 Numpy 最核心的一种能力就是处理多维数据。 但是在那一节内容中，我们还没提到多维数据的一些处理方式。因为在数据分析，特别是机器学习中，数据的形态转变十分频繁。 今天我们就来看看如何做数据的变换吧。
本节内容要囊括的功能：
- 改变形态
array[np.newaxis, :]array.reshape()array.ravel(), array.flatten()array.transpose()
- 合并
np.column_stack(), np.row_stack()np.vstack(), np.hstack(), np.stack()np.concatenate()
- 拆解
np.vsplit(), np.hsplit(), np.split()
改变形态¶
改变形态，其实是针对与多维度空间上的数据，要改变它的维度信息，和每个维度中的数据格式。所以第一点你就要清楚，如何添加维度。 其实在 多维数据教程中 中我们就提到过添加维度的方法，我这里在总结括展一下。
我再来讲讲，除了这种方式的其它几种，能达到同样效果的方式。比如用 None 或者 np.expand_dims(),
除了添加维度，我们还能减少维度，但是下面介绍的减少维度，只能减少那些维度 shape 上为 1 的维度。因为减掉这个维度，数据结构上是没有变化的。
上述方法都是添加维度的方式，但是，在机器学习中，我们还有一个更常见的操作，是要改变 shape。维度的添加减少，只能添加减少一个维度，数据结构是不变的。 但是 np.reshape() 可以改变数据结构。 举个例子，a[None, :] 之后，a.shape 会在第一个维度上多一个 1，而 a.reshape([2,3]) 则可以更加自定义的将维度内的个数进行修改。 从而达到改变维度及尺寸。
举个例子，学生军训的时候，我想让他们战队，可以站成一排，可以分几排站。其实学生都没有变化，只是战队的方式变了，这时候，reshape 就能帮我们干这件事。
其实还有更多的改变形态的方法，比如让数据变直
、展平
的 np.ravel(), np.flatten()，这两个比较特殊， 我会在 对速度有洁癖 这节的时候详细说明。
而在矩阵运算的时候，也有一种形态的转化，叫做矩阵转置，np.transpose(), 在机器学习中也用得很多。这里提一下， 给一个小案例，你们玩玩试试。
合并¶
在介绍多维数组的时候， 我们也稍微介绍了一下如何添加合并数组。现在我们再详细把数组的合并拆解都细说一下。
一般来说，在数据分析统计，机器学习中的数据，都是以二维来存储的。行是数据样本（第一维度），列是特征（第二维度）。 所以我们可以组合特征和组合样本。 比如将列column合并，特征 a 的数据和特征 b 的数据合并。
一条条的数据 sample 和并。
上面的两种方法 np.column_stack() 和 np.row_stack() 和后面的 np.vstack()、np.hstack() 相比， 有些特殊之处，我们先看看使用 vstack 和 hstack 的案例，再说说不同处吧。
看到了吗？用 column_stack 和 row_stack() 的时候，Numpy 自动帮你处理的维度信息，而用 vstack 和 hstack 的时候，你需要先确保维度信息是正确的，然后再合并。
有时候，你想要用统一的方法来处理各种不同情况的合并，np.concatenate() 是我最喜欢的方法，管它什么 vstack hstack 甚至是在更高维度上要合并， 我们都可以用 concatenate() 一个功能实现。
拆解¶
同样，能横着，竖着合并，那也能横着竖着拆解。np.vsplit() 和 np.hsplit() 就是干这事的。 如果直接在 indices_or_sections 后填入数字，就是要整分的段数， 而如果接着的是一个列表，那就按照列表中的 index 来取区间。可以看看下面代码注解中的意思。（下面的数据量会相对较多， 如果你喜欢用生成数据的方式练习，可以先看看这一节数据生成内容。）
np.vsplit 是拿着刀沿着横向切分，那么 np.hsplit 就是沿纵向切分，我就不再举例了。那么有没有既能横切也能纵切的函数呢？ 当然有呀，和 stack 一样，如果直接用 np.split() 你就能选择要切分的维度来自定义切分了。
总结¶
形态变化和合并拆解都是十分有用的功能，我们介绍了很多种实用的方法来完成这些事， 而懂了这些之后，你的数据分析和机器学习才算是真正迈入入圈的第一步。
