关于numpy.shape容易搞错的一个点

在使用numpy的时候，查询np.array的形状是一个容易产生困惑的点，这里进行着重说明。

一维数组因为只有一维，所以形式是(n, )，n表达的实际上是“行数”；而二维数组则是(m, n)，m代表数组有多少行，n代表数组有多少列， 可见在新增加了维度之后，表达维度的数量会出现在这个tuple的最前面。依次类推，如果是三维数组则是(k, m, n)k表示的是有多少个二维数组的“块”。

而有趣的是，如果在三维数组中，出现在两个“块”中的二维数组并非是相同的shape，那么.shape展示出来的则只有(k, )

快速判断一个numpy array是多少维的方法可以直接数左括号的个数，一维是一个…以此类推

a = np.array([1,2])
b = np.array([[1,2],
              [2,3],
              [2,3]])
c = np.array([[[1,2],
               [2,3],
               [3,4]],
              [[1,2],
               [2,3],
               [3,4]]
             ])
a.shape
(2, )
b.shape
(3, 2)
c.shape
(2, 3, 2)

c = np.array([[[1,2],
               [2,3],
               [3,4]],
              
              [[1,2],
               [2,3],
               [3,4],
               [3,4]]
             ])
c.shape
(2,)