Python Numpy数组维数

我目前正在尝试学习Numpy和Python。给定以下数组：

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

是否有返回

a

维度的函数（例如，a是一个2×2数组）

size（）
 它是：

ndarray.形状

数组维度的元组

因此：

如果输入不是numpy数组，而是列表列表，也可以使用

>>> a = [[1,2],[1,2]]
>>> np.shape(a)
(2,2)

或者一个元组的元组

>>> a = ((1,2),(1,2))
>>> np.shape(a)
(2,2)

第一：
按照惯例，在Python世界中，
numpy
的快捷方式是
np
，因此：

In [1]: import numpy as np

In [2]: a = np.array([[1,2],[3,4]])

第二：
在Numpy中，维度、轴、形状是相关的，有时是类似的概念：

维
在数学/物理学中，维度或维度被非正式地定义为指定空间内任何点所需的最小坐标数。但在Numpy中，根据，它与轴/轴相同：

在Numpy中，尺寸称为轴。轴的数量为秩

轴/轴
以Numpy为
数组
编制索引的第n个坐标。多维数组的每个轴可以有一个索引

In [4]: a[1,0]  # to index `a`, we specific 1 at the first axis and 0 at the second axis.
Out[4]: 3  # which results in 3 (locate at the row 1 and column 0, 0-based index)

形状
描述沿每个可用轴的数据量（或范围）

In [5]: a.shape
Out[5]: (2, 2)  # both the first and second axis have 2 (columns/rows/pages/blocks/...) data

shape
方法要求
a
是一个Numpy数组。但是Numpy也可以计算纯python对象的可重用对象的形状：

np.shape([[1,2],[1,2]])

你可以使用。形状

In: a = np.array([[1,2,3],[4,5,6]])
In: a.shape
Out: (2, 3)
In: a.shape[0] # x axis
Out: 2
In: a.shape[1] # y axis
Out: 3

您可以使用
.ndim
进行尺寸标注，并使用
.shape
了解确切尺寸

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

var.ndim
# displays 2

var.shape
# display 6, 2

您可以使用
。重塑
功能更改尺寸

var = np.array([[1,2,3,4,5,6], [1,2,3,4,5,6]]).reshape(3,4)

var.ndim
#display 2

var.shape
#display 3, 4

a.shape
只是
np.info（）
的有限版本。看看这个：

import numpy as np
a = np.array([[1,2],[1,2]])
np.info(a)

出去

一条建议：您的“尺寸”称为
形状
，单位为NumPy。在您的例子中，NumPy称维度为2（
ndim
）。了解常用的NumPy术语很有用：这使阅读文档更容易！注意：
shape
可能更准确地描述为属性而不是函数，因为它不是使用函数调用语法调用的。@nobar实际上它是一个属性（实际上是属性和函数）@wim更具体地说。对于类属性（放置在类中的属性），它们是作为类的属性公开的property类型的对象。一个属性，在python中，。如果你真的想挑剔，它是一个描述符。虽然
property
本身是一个类，
ndarray.shape
不是一个类，但它是属性类型的一个实例。
np.shape
如果没有shape属性，首先将其参数转换为数组，这就是它在列表和元组示例中工作的原因。您的第一个示例将shape显示为
（2，6）
不是
（6,2）
。请编辑它。
var = np.array([[1,2,3,4,5,6], [1,2,3,4,5,6]])

var.ndim
# displays 2

var.shape
# display 6, 2

var = np.array([[1,2,3,4,5,6], [1,2,3,4,5,6]]).reshape(3,4)

var.ndim
#display 2

var.shape
#display 3, 4

import numpy as np
a = np.array([[1,2],[1,2]])
np.info(a)

class:  ndarray
shape:  (2, 2)
strides:  (8, 4)
itemsize:  4
aligned:  True
contiguous:  True
fortran:  False
data pointer: 0x27509cf0560
byteorder:  little
byteswap:  False
type: int32

rows = a.shape[0] # 2 
cols = a.shape[1] # 2
a.shape #(2,2)
a.size # rows * cols = 4