NumPy 数组的形状和维度详解

形状和维度是NumPy数组的一个非常重要的概念，它们描述了NumPy数组中元素的排列方式。

其中：

如下图所示，描绘的就是一维到三维数组的形状与维度的变化：

而且在NumPy中，可以使用shape属性获取数组的形状，使用ndim属性获取数组的维度。

例如，对于一个二维数组a，可以使用以下代码查看其形状和维度：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)  # 输出 (2, 3)
print(a.ndim)  # 输出 2

三维数组也可以输出出来：

import numpy as np

b = np.array([[[1,2,3],[1,2]],[[1,2],[1,2]]])
print(b.shape)  # 输出 (2, 2, 2)
print(b.ndim)  # 输出 3

需要注意的是，修改数组形状或维度可能会改变其数据。使用reshape()函数可以改变数组的形状，例如：

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

使用newaxis关键字可以添加新的轴，例如：

a = np.array([[1, 2, 3], [4, 5, 6]])
c = a[np.newaxis, :]
print(c.shape)  # 输出 (1, 2, 3)

这将使数组a成为一个三维数组，第一维大小为1。在这个示例中，新的轴添加在最前面，也可以添加在其他位置，例如：

a = np.array([[1, 2, 3], [4, 5, 6]])
d = a[:, np.newaxis]
print(d.shape)  # 输出 (2, 1, 3)

NumPy中数组的形状和维度对于数据的存储和操作非常重要。它们决定了数组中元素的排列方式和访问方式。

具体而言，数组的形状和维度决定了以下几个方面：

数据存储方式：数组的形状和维度决定了数据在内存中的存储方式。例如，在二维数组中，如果按行存储，则每一行的元素是连续存储的，如果按列存储，则每一列的元素是连续存储的。
数据访问方式：数组的形状和维度决定了数据的访问方式。例如，在二维数组中，可以按行或列访问元素，也可以按坐标访问元素。
数据操作方式：数组的形状和维度对于数组的操作非常重要。例如，可以使用形状和维度来实现数组的转置、重塑、合并等操作。

除此之外，形状和维度这两个概念在后续的文章中经常会使用，所以理解这两个概念对后续知识的学习非常重要。

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：NumPy 数组的形状和维度详解 - Python技术站