为何numpy的reshape操作打乱了我的数据模式？

先看创建数组的代码：

import numpy as np
batch_size, seq_len = 3, 5
A = np.zeros((batch_size, seq_len))
A[0,0:] = 1
A[1,0:] = 2
A[2,0:] = 3

生成的数组A为：

array([[1., 1., 1., 1., 1.],
       [2., 2., 2., 2., 2.],
       [3., 3., 3., 3., 3.]])

直接执行A.reshape(seq_len, -1)后得到的结果和预期不符：

A4 = A.reshape(seq_len, -1)

array([[1., 1., 1.],
       [1., 1., 2.],
       [2., 2., 2.],
       [2., 3., 3.],
       [3., 3., 3.]])

而预期结果是：

array([[1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.]])

问题原因 #

NumPy的reshape方法是基于**行优先（C语言顺序）**的内存布局来重新排列元素的。原数组A在内存中是按1,1,1,1,1,2,2,2,2,2,3,3,3,3,3的顺序连续存储的，reshape(5, -1)只是把这15个元素按顺序分成5行，每行3个，自然得不到想要的维度交换效果。

解决方法 #

如果要实现维度交换后再调整形状的效果，应该先转置数组（交换维度），而不是直接用reshape：

A_expected = A.T
# 或者用transpose显式指定维度顺序
A_expected = A.transpose(1, 0)

执行后得到的结果就是预期的数组：

array([[1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.]])

核心要点：reshape仅用于在不改变元素内存顺序的前提下调整数组形状；如果需要交换维度，必须用转置类操作（T属性、transpose、swapaxes），再根据需要调整形状（若有必要）。

提示：新手注意，不要用reshape（或PyTorch中的view/reshape）来交换张量/数组的维度，这类方法不处理维度交换逻辑。

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