Numpy数组基本属性

  • 维度为秩(rank),也就是轴的数量,数组维度,一维数组秩维1,二维数组秩为20。
  • 每一个线性的数组成为一个轴 axis 也就是维度dimensions。二位数组相当于两个一维数组,第一个一维数组这种的每个元素又是一个一维数组。
  • 一维数组就是numpy中的轴 axis,第一个轴相当于底层数组,第二个轴相当于底层数组中的数组,而轴的数量就是秩,就是数组为数。
  • axis=0表示沿着第0轴进行操作,对每一列进行操作axis=1,表示沿着第1轴进行操作,是对每一行进行操作的意思。

1、 ndarray.ndim

用于返回数组的维度,等于秩

np.arange()
函数返回一个有终点和起点的固定步长的排列,如[1,2,3,4,5],起点是1,终点是6,步长为1。
参数个数情况: np.arange()函数分为一个参数,两个参数,三个参数三种情况
1)一个参数时,参数值为终点,起点取默认值0,步长取默认值1。
2)两个参数时,第一个参数为起点,第二个参数为终点,步长取默认值1。
3)三个参数时,第一个参数为起点,第二个参数为终点,第三个参数为步长。其中步长支持小数

#一个参数 默认起点0,步长为1 输出:[0 1 2]
a = np.arange(3)
#两个参数 默认步长为1 输出[3 4 5 6 7 8]
a = np.arange(3,9)
#三个参数 起点为0,终点为3,步长为0.1 输出[ 0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1. 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9]
a = np.arange(0, 3, 0.1)

import numpy as np
a = np.arange(24)#产生一个[0,1,...,23]
print(a.ndim)
#调整数组a的大小
b = a.reshape(2,4,3)#行 列 维度 得到三个维度
print(b.ndim)

python中如何理解numarray的数轴维度 numpy数组维度_numpy

2、 ndarray.shape

表示数组的维度,返回一个元组,这个元组的长度就是维度的数目,即ndim属性(秩)。比如:一个二维数组,其维度表示“行数”和“列数”
ndarray.shape调整数组的大小

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

python中如何理解numarray的数轴维度 numpy数组维度_数组_02

3、 ndarray.itemsize

以字节的形式返回数组每一个元素的大小
比如一个元素类型为float64的数组itemsize的属性值为8(64/8 占用八个字节) 一个元素类型为conplex32的数组item属性为4(32/8)

d=np.array([1,2,3,4,5],dtype=np.int8)
print(d.itemsize)
d=np.array([1,2,3,4,5],dtype=np.float64)
print(d.itemsize)

python中如何理解numarray的数轴维度 numpy数组维度_numpy_03

4、 ndarray.falgs

返回ndarray对象的内存信息,包含以下属性:

python中如何理解numarray的数轴维度 numpy数组维度_python_04

import numpy as np 
 
x = np.array([1,2,3,4,5])  
print (x.flags)

python中如何理解numarray的数轴维度 numpy数组维度_默认值_05