当你使用Numpy处理多维数组时，reshape()和resize()都是重要的方法之一。虽然它们在某些方面是类似的，但它们也存在着一些区别。接下来，我将为你详细讲解Numpy中reshape()和resize()方法的区别。
Reshape()方法
reshape()方法用于调整数组的形状，即按照指定的维度重新构造数组的形状。它返回一个新的数组对象，而不是修改原始数组。对于多维数组，我们需要指定一个新的形状，该形状必须与原有形状兼容，即新形状大小和原有形状大小相等，否则它会引发一个异常。
语法
使用numpy库的reshape()方法，我们需要指定它要返回的新数组的形状：
np.reshape(arr, newshape, order='C')
其中，参数arr代表要被重构的数组，newshape参数是一个整数或整数元组，代表重构后的数组的形状，参数order是可选参数（默认为’C’），代表是以按行（C风格）还是按列（Fortran风格）的方式重构数组的。
示例
import numpy as np
# 原始数组为3*3的二维数组
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 使用reshape方法重构为一维数组（9个元素）
new_a = np.reshape(a, (9,))
print(new_a)
输出结果如下：
[1 2 3 4 5 6 7 8 9]
Resize()方法
resize()方法和reshape()方法很类似，但是它会修改原始数组。resize()方法不创建新的数组对象，而是直接修改原始的数组。如果新数组的大小比原始数组的大小大，那么新数组将是原始数组的副本，并用0填充多余的值。如果新数组的大小比原始数组的大小小，则它将从原始数组中删除一些元素，其余的元素将保留。
语法
使用numpy库的resize()方法，我们需要指定它要返回的新数组的形状：
np.resize(arr, new_shape)
其中，参数arr代表要被修改的数组，new_shape参数是一个整数或整数元组，代表修改后的数组的形状。
示例
import numpy as np
# 原始数组为3*3的二维数组
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 使用resize方法重构为一维数组（9个元素）
np.resize(a, (9,))
print(a)
输出结果如下：
[1 2 3 4 5 6 7 8 9]
区别
reshape() 方法仅仅是重构给定数组的形状而不改变原始数组，而resize()方法直接修改原始的数组。另外，如果我们尝试调整大小，结果可能会不同。如下所示：
import numpy as np
# 原始数组为3*3的二维数组
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
#使用reshape方法，新size比旧size大
b = np.reshape(a, (9,))
print(b)
#使用resize方法，新size比旧size大
np.resize(a, (9,))
print(a)
#使用reshape方法，新size比旧size小
b = np.reshape(a, (4,2))
print(b)
#使用resize方法，新size比旧size小
np.resize(a, (4,2))
print(a)
输出结果如下：
[1 2 3 4 5 6 7 8 9]
[[1 2 3]
[4 5 6]
[7 8 9]
[1 2 3]
[4 5 6]
[7 8 9]
[1 2 3]
[4 5 6]
[7 8 9]]
[[1 2]
[3 4]
[5 6]
[7 8]]
[[1 2]
[3 4]
[5 6]
[7 8]]
我们可以发现，使用reshape()方法调整大小并不会更改原始数组的大小，只会返回返回一个新的数组对象。而resize()方法则会直接修改原始数组。另外，由于resize()方法可以直接修改原始数组，所以当新数组大小比原始数组的大小大时，resize()方法会为多出来的空间添加0。而当新数组大小比原始数组的大小小时，resize()方法只会保留原始数组中前n个元素，而其他元素将会被删除。