如何将形状为(300,1000,50)的X与形状为(300,)的Y分别重塑为(300000,50)和(300000,)？

针对你的数据集形状转换需求，我会用最常用的NumPy来演示操作，如果你用PyTorch/TensorFlow这类框架，思路也是一致的，最后会补充对应写法。

1. 处理特征矩阵X #

你的X形状是(300, 1000, 50)，要转成(300*1000, 50)也就是(300000, 50)，直接用NumPy的reshape方法就能搞定——reshape会按行优先的顺序重新排列元素，刚好符合合并前两个维度的需求：

import numpy as np

# 假设X是已加载的numpy数组
X_reshaped = X.reshape(-1, X.shape[2])

这里用-1让NumPy自动计算第一个维度的大小，它会直接算出300*1000=300000，比手动写数字更灵活，哪怕之后数据集维度调整也不用改代码。

2. 处理标签数组Y #

Y的形状是(300,)，需要变成(300000,)，每个原始标签要重复1000次（对应X中每个样本的1000个子元素）。这里用repeat方法就能实现精准对应：

Y_reshaped = Y.repeat(X.shape[1])

X.shape[1]就是1000，这样每个标签会被连续重复1000次，和X重塑后的元素顺序完全匹配。

验证转换结果 #

你可以通过shape属性确认最终维度是否符合预期：

print(X_reshaped.shape)  # 输出 (300000, 50)
print(Y_reshaped.shape)  # 输出 (300000,)

框架适配（PyTorch/TensorFlow） #

如果用PyTorch：

import torch

X_reshaped = X.view(-1, X.size(2))  # 也可以用reshape，效果一致
Y_reshaped = Y.repeat_interleave(X.size(1))

如果用TensorFlow：

import tensorflow as tf

X_reshaped = tf.reshape(X, (-1, X.shape[2]))
Y_reshaped = tf.repeat(Y, X.shape[1])

这样操作后，X和Y的维度就完全匹配了，每个重塑后的X样本都对应正确的原始标签~

内容的提问来源于stack exchange，提问作者user3668129