numpy_ndarray基本使用逻辑/理解shape/多维数组/高维点

文章目录

• ​​多维数组和高维点​​

• ​​experiment code​​
• ​​shape的结果解读:​​
• ​​一维ndarray​​

• ​​使用逻辑​​

多维数组和高维点

experiment code

import numpy as np
a = np.array([[[1, 2, 3],
               [11, 3, 4]],
              [[1, 2, 3],
               [11, 3, 4]]])

# %%
# 打印出a的维度数(即嵌套深度)
# 高维数组:嵌套深
print(a.ndim)
print(a.shape)
# 高维点:单个点的坐标的刻画维度多(可以用一个n元组表达)(d0,d1,d2,d3,d4,..dn-1):
''' 
例如:
一维点:(d0)
二维点:(d0,d1)
三维点:(d0,d1,d2):例如(1,2,3),(x=1,y=2,z=3)
...
总之,要区分好两种"维度"的含义
ndarray(多维度数组)对象的shape属性可以体现该数组在各个维度上的度量宽度
    '''
b = np.array(
    [1, 2, 3, 4, 5, 6]
    )
print(b.ndim, "\n", b.shape)

# %%
ls=range(120)
c=np.array(ls).reshape(2,2,5,3,2)
print(c)
#shape元组中的各个元素的乘积值为ndarray对象包含的元素的总数,例如这里2*2*5*3*2=120
# %%

shape的结果解读:

• shape元组中的各个元素的乘积值为ndarray对象包含的元素的总数
• 可以从shape对应的元组从后往前解读,对应的,对于多维数组,可以从内往外解读
• 比如,shape=(2,2,5,3,2)
  最后一个值是2,则最深层的一维数组有2个基础元素(0维元素)
  倒2个值是3,则次深的数组(二维数组)是由3个上述规格的一维数组构成的二维数组,依次类推…
• 同时,我们可以为shape元组按"权"来理解,即,像理解十进制数中的个十百千万…这些权(权表示基本元素的个数,权大,对应的元素个数也多)(但有些不同,这些权之间的关系取决于具体的shape元组),左侧的数较右边的数是高位

(2,2,5,3,2)
[[[[[  0   1]
    [  2   3]
    [  4   5]]

   [[  6   7]
    [  8   9]
    [ 10  11]]

   [[ 12  13]
    [ 14  15]
    [ 16  17]]

   [[ 18  19]
    [ 20  21]
    [ 22  23]]

   [[ 24  25]
    [ 26  27]
    [ 28  29]]]


  [[[ 30  31]
    [ 32  33]
    [ 34  35]]

   [[ 36  37]
    [ 38  39]
    [ 40  41]]

   [[ 42  43]
    [ 44  45]
    [ 46  47]]

   [[ 48  49]
    [ 50  51]
    [ 52  53]]

   [[ 54  55]
    [ 56  57]
    [ 58  59]]]]

 [[[[ 60  61]
    [ 62  63]
    [ 64  65]]

   [[ 66  67]
    [ 68  69]
    [ 70  71]]

   [[ 72  73]
    [ 74  75]
    [ 76  77]]

   [[ 78  79]
    [ 80  81]
    [100 101]]

   [[102 103]
    [104 105]
    [106 107]]

   [[108 109]
    [110 111]
    [112 113]]

   [[114 115]
    [116 117]
    [118 119]]]]]

一维ndarray

import numpy as np

a=np.array([1,2,3])
b=np.array([[1],[2],[3]])
print(f'a={a},a.shape={a.shape}')
print(f'b={b},b.shape={b.shape}')

这两种是不同类型的ndarray,从reshape值也可以看出

使用逻辑