numpy ndarray 形状有什么作用？

Question

我有一个关于 .shape 函数的简单问题，这让我很困惑。

a = np.array([1, 2, 3])   # Create a rank 1 array
print(type(a))            # Prints "<class 'numpy.ndarray'>"
print(a.shape)            # Prints "(3,)"

b = np.array([[1,2,3],[4,5,6]])    # Create a rank 2 array
print(b.shape)                     # Prints "(2, 3)"

.shape 到底做了什么？计算多少行，多少列，那么a.shape应该是，(1,3)，一行三列，对吧？

Answer 1

yourarray.shape or np.shape() or np.ma.shape() returns the shape of your ndarray as a tuple; And you can get the (number of) dimensions of your array using yourarray.ndim 或 np.ndim()。（即它给出 ndarray 的 n 因为 NumPy 中的所有数组都只是 n 维数组（简称为 ndarrays））

对于 1D 数组，形状为 (n,)，其中 n 是数组中元素的数量。

对于 2D 数组，形状为 (n,m) 其中 n 是行数，m 是行数数组中的列。

请注意，在 1D 的情况下，形状将只是 (n, ) 而不是您所说的 (1, n) 或 (n, 1)分别用于行向量和列向量。

这是遵循以下约定：

对于一维数组，return 一个 形状元组 只有 1 个元素（即 (n,)）
对于二维数组，return 一个 形状元组 只有 2 个元素（即 (n,m)）
对于 3D 数组，return 一个 形状元组 只有 3 个元素（即 (n,m,k)）
对于 4D 数组，return 一个 形状元组 只有 4 个元素（即 (n,m,k,j)）

等等。

此外，请参阅下面的示例，了解 np.shape() or np.ma.shape() 如何处理 1D 数组和标量：

# sample array
In [10]: u = np.arange(10)

# get its shape
In [11]: np.shape(u)    # u.shape
Out[11]: (10,)

# get array dimension using `np.ndim`
In [12]: np.ndim(u)
Out[12]: 1

In [13]: np.shape(np.mean(u))
Out[13]: ()       # empty tuple (to indicate that a scalar is a 0D array).

# check using `numpy.ndim`
In [14]: np.ndim(np.mean(u))
Out[14]: 0

P.S.：因此，形状元组 一致我们对 space 维度的理解，至少在数学上是这样。

Answer 2

与其最受欢迎的商业竞争对手不同，numpy 从一开始就几乎是关于 "arbitrary-dimensional" 数组的，这就是核心 class 被称为 ndarray 的原因。您可以使用 .ndim 属性检查 numpy 数组的维数。 .shape 属性是一个长度为 .ndim 的元组，其中包含每个维度的长度。目前，numpy 最多可以处理 32 个维度：

a = np.ones(32*(1,))
a
# array([[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[ 1.]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]])
a.shape
# (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
a.ndim
# 32

如果一个 numpy 数组恰好像你的第二个例子一样是二维的，那么从行和列的角度来考虑它是合适的。但是 numpy 中的一维数组是真正的一维数组，没有行或列。

如果您想要行向量或列向量之类的东西，您可以通过创建一个维度等于 1 的二维数组来实现。

a = np.array([[1,2,3]]) # a 'row vector'
b = np.array([[1],[2],[3]]) # a 'column vector'
# or if you don't want to type so many brackets:
b = np.array([[1,2,3]]).T

Answer 3

.shape() 根据其中的元素数量给出数组的实际形状，即 rows/No 的列数。你得到的答案是元组的形式。

例如：一维数组：

d=np.array([1,2,3,4])
print(d)
(1,)

输出：（4，）即数字4表示一维数组中元素的数量。

二维数组：

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

输出：(2,3)即行数和列数。

最终输出中的元素数量将取决于数组中的行数....它会逐渐增加。

Answer 4

array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])

numpy ndarray 形状有什么作用？

what does numpy ndarray shape do?

arrays

numpy

multidimensional-array

shape

numpy-ndarray