让我再编辑一次我的问题.我知道flatten是如何工作的，但我正在寻找是否有可能移除inside braces和简单的two outside braces，就像MATLAB中一样，并保持相同的shape of (3,4).这里是arrays inside array，我想要只有一个数组，这样我就可以很容易地绘制它，并得到与Matlab相同的结果.
例如，我有下面的matrix(它是数组中的数组):
s=np.arange(12).reshape(3,4)
print(s)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
有没有可能是reshape或flatten()，然后得到这样的结果:
[ 0 1 2 3
4 5 6 7
8 9 10 11]
如果我正确理解了您的问题(其他4个答案说我没有)，您的问题不是如何对数组进行flatten()或reshape(-1)，而是如何确保即使在reshape 之后，它仍然以每行4个元素显示.
严格地说，我认为你做不到.数组只是一堆元素.它们不包含我们想要如何看到它们的指示.这是一个打印问题，你应该在打印的时候解决.你可以看到[这里][1]想要这样做的人……从在2D中reshape 数组开始.
也就是说，在不创建自己的打印函数的情况下，您可以使用np.set_printoptions控制NumPy显示数组的方式.
尽管如此，它仍然很棘手，因为该函数只允许您指定每行打印多少个字符，而不是元素.因此，您需要知道每个元素需要多少个字符才能强制换行.
在您的示例中:
np.set_printoptions(formatter={"all":lambda x:"{:>6}".format(x)}, linewidth=7+(6+2)*4)
格式化程序确保每个数字使用6个字符. 考虑到"数组(["部分，以及结束的"])"(9个字符)加上每个元素之间的2"，"，知道我们需要4个元素，行宽必须是9+6×4+2×3:9个字符，表示"array[...]"，6×4表示每4个数字，2×3表示每个3"，"分隔符.或7+(6+2)×4.
您只能使用它进行一次打印
with np.printoptions(formatter={"all":lambda x:"{:>6}".format(x)}, linewidth=7+(6+2)*4):
print(s.reshape(-1))
我想到的另一种方法是将ndarray子类，使其行为符合您的要求
import numpy as np
class MyArr(np.ndarray):
# To create a new array, with args ls: number of element to print per line, and arr, normal array to take data from
def __new__(cls, ls, arr):
n=np.ndarray.__new__(MyArr, (len(arr,)))
n.ls=ls
n[:]=arr[:]
return n
def __init__(self, *args):
pass
# So that this .ls is viral: when ever the array is created from an operation from an array that has this .ls, the .ls is copyied in the new array
def __array_finalize__(self, obj):
if not hasattr(self, 'ls') and type(obj)==MyArr and hasattr(obj, 'ls'):
self.ls=obj.ls
# Function to print an array with .ls elements per line
def __repr__(self):
# For other than 1D array, just use standard representation
if len(self.shape)!=1:
return super().__repr__()
mxsize=max(len(str(s)) for s in self)
s='['
for i in range(len(self)):
if i%self.ls==0 and i>0:
s+='\n '
s+=f'{{:{mxsize}}}'.format(self[i])
if i+1<len(self): s+=', '
s+=']'
return s
现在您可以使用这MyArr来构建您自己的一维数组
MyArr(4, range(12))
展示会
[ 0.0, 1.0, 2.0, 3.0,
4.0, 5.0, 6.0, 7.0,
8.0, 9.0, 10.0, 11.0]
你可以在任何1D ndarray合法的地方使用它.在大多数情况下，.ls属性会跟在后面(我说"大多数时候"，因为我不能保证某些函数不会构建一个新的ndarray，并用这个ndarray中的数据填充它们)
a=MyArr(4, range(12))
a*2
#[ 0.0, 2.0, 4.0, 6.0,
# 8.0, 10.0, 12.0, 14.0,
# 16.0, 18.0, 20.0, 22.0]
a*a
#[ 0.0, 1.0, 4.0, 9.0,
# 16.0, 25.0, 36.0, 49.0,
# 64.0, 81.0, 100.0, 121.0]
a[8::-1]
#[8.0, 7.0, 6.0, 5.0,
# 4.0, 3.0, 2.0, 1.0,
# 0.0]
# It even resists reshaping
b=a.reshape((3,4))
b
#MyArr([[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
b.reshape((12,))
#[ 0.0, 1.0, 2.0, 3.0,
# 4.0, 5.0, 6.0, 7.0,
# 8.0, 9.0, 10.0, 11.0]
# Or fancy indexing
a[np.array([1,2,5,5,5])]
#[1.0, 2.0, 5.0, 5.0,
# 5.0]
# Or matrix operations
M=np.eye(12,k=1)+2*M.identity(12) # Just a matrix
M@a
#[ 1.0, 4.0, 7.0, 10.0,
# 13.0, 16.0, 19.0, 22.0,
# 25.0, 28.0, 31.0, 22.0]
np.diag(M*a)
#[ 0.0, 2.0, 4.0, 6.0,
# 8.0, 10.0, 12.0, 14.0,
# 16.0, 18.0, 20.0, 22.0]
# But of course, some time you loose the MyArr class
import pandas as pd
pd.DataFrame(a, columns=['v']).v.values
#array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10., 11.])
[1]: https://stackoverflow.com/questions/25991666/how-to-efficiently-output-n-items-per-line-from-numpy-array