介绍一下numpy中的reshape与resize的差别及用法

numpy中的reshape和resize都可以用于改变数组的形状，但它们之间存在一些差别。

1. reshape

reshape方法可以在不改变数组元素的情况下改变数组的形状，返回一个新的数组。其用法如下：

numpy.reshape(arr, newshape, order='C')

其中，arr表示要改变形状的数组，newshape是一个整数或者一个整数元组，表示新的形状。order参数表示新数组的存储顺序，可以为'C'或'F'。

例如：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.reshape(a, (3, 2))

print(a)
print(b)

输出为：

[[1 2 3]
 [4 5 6]]
[[1 2]
 [3 4]
 [5 6]]

2. resize

resize方法可以改变数组的形状，并且可以改变数组元素的数量。如果新的形状比原来的形状大，那么新数组的某些元素将被重复。如果新的形状比原来的形状小，那么新数组的某些元素将被删除。其用法如下：

numpy.resize(arr, new_shape)

其中，arr表示要改变形状的数组，new_shape是一个整数元组，表示新的形状。

例如：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.resize(a, (3, 2))

print(a)
print(b)

输出为：

[[1 2 3]
 [4 5 6]]
[[1 2]
 [3 4]
 [5 6]]

再例如：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.resize(a, (3, 3))

print(a)
print(b)

输出为：

[[1 2 3]
 [4 5 6]]
[[1 2 3]
 [4 5 6]
 [1 2 3]]

可以看到，当新形状比原来的形状大时，resize方法会重复原数组的元素。