如何简化numpy ndarray降维操作？将三维数组转为目标二维数组

针对你遇到的三维numpy数组转二维的需求，其实用numpy内置的数组操作就能实现更简洁高效的转换，这里给你几个常用方案：

• 使用squeeze()移除单维度轴
  你的原数组形状是(4,1,2)，其中中间的维度大小为1，用squeeze()可以直接移除所有大小为1的轴，一步得到目标数组：

  import numpy as np
  a = np.array([[[11,12]], [[21,22]], [[31,32]], [[41,42]]])
  b = a.squeeze()
  # b的结果就是 [[11,12], [21,22], [31,32], [41,42]]
  

  这个方法的好处是无需指定具体维度，自动处理所有单维度轴，通用性很强。

• 直接索引切片
  可以通过numpy的多维索引直接提取需要的部分，省略中间的单维度：

  b = a[:, 0]  # 等价于 a[:, 0, :]
  

  这里[:, 0]表示取所有第一维度的元素，每个元素取第二维度的第0个位置，直接得到形状为(4,2)的数组，非常直观。

• 使用reshape()重塑形状
  如果明确知道目标形状，也可以用reshape()来转换：

  b = a.reshape(-1, 2)  # -1表示让numpy自动计算该维度的长度
  

  这种方法适合知道目标维度结构的场景，当数组长度变化时，-1会自动适配，不用手动修改数字。

关于你之前的尝试 #

你提到直接用[p[0] for p in a]得到的是列表而非ndarray，原因是列表推导会将遍历numpy数组得到的每个子数组收集为Python列表，而不是numpy数组。如果想用这种方式，确实需要再套一层np.array()，但显然上面的numpy内置方法更高效，尤其是处理大型数组时，vectorized操作比循环（列表推导本质是Python层面的循环）快得多。

内容的提问来源于stack exchange，提问作者Vasily A