如何将shape为(56,100,13)的numpy数组拆分为多个一维数组？

你的核心需求是把三维数组中每个位置的13维向量单独拆出来，总共得到56×100=5600个一维数组。先帮你分析下之前代码的问题，再给出两种高效的实现方案：

为什么你的原有代码不对？ #

你写的numpy.split(X[0],(100,13), axis =2)有两个关键问题：

1. X[0]是一个二维数组（形状(100,13)），它只有axis=0（行）和axis=1（列）两个维度，axis=2根本不存在，运行会直接报错。
2. split的第二个参数是拆分的位置索引，不是目标形状，就算你用对了axis，这个参数也不符合你的需求。

方案1：用reshape快速扁平化（推荐） #

这是最简洁高效的方法，先通过reshape把三维数组直接转换成(5600,13)的二维数组，每一行就是你要的长度13的一维数组，再转成列表即可：

import numpy as np

# 假设X是你的(56,100,13)数组
flattened_X = X.reshape(-1, 13)  # 自动计算第一维长度：56*100=5600
L = list(flattened_X)  # L就是5600个长度13的numpy一维数组的列表

如果不需要列表，只是需要能按索引访问每个13维向量，直接用flattened_X即可，比如flattened_X[0]就是第一个13维数组，flattened_X[5599]是最后一个。

方案2：嵌套遍历（直观易理解） #

如果你想更直观地控制拆分过程，可以通过两层循环遍历每个维度，提取每个位置的13维向量：

import numpy as np

L = []
for batch_idx in range(X.shape[0]):
    for sample_idx in range(X.shape[1]):
        # 提取第batch_idx个批次、第sample_idx个样本的13维向量
        single_vector = X[batch_idx, sample_idx, :]
        L.append(single_vector)

这种方法逻辑清晰，但对于大数据量来说，效率不如reshape（numpy的内置reshape是底层优化的，比Python循环快很多）。

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