import numpy as np
# t1 一维数组
t1 = np.arange(12)
print(t1,t1.shape)
# 查看数组的形状
print(t1.shape)
# t1 二维数组
t2 = np.array([[1,2,3],[4,5,6]])
print(t2,t2.shape)
# t3 三维数组
t3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(t3,t3.shape)
# 结果
[ 0 1 2 3 4 5 6 7 8 9 10 11] (12,)
(12,)
[[1 2 3]
[4 5 6]] (2, 3)
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]] (2, 2, 3)
t4 = np.arange(12)
...: print(t4,t4.shape)
[ 0 1 2 3 4 5 6 7 8 9 10 11] (12,)
t4.reshape((3,4))
Out[4]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
t5 = np.arange(24).reshape((2,3,4))
...: print(t5)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
# 一维数组转化为三维数组
t5 = np.arange(24).reshape((2,3,4))
print(t5)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
# t5 三维数组转化为一维数组
t5.reshape((24,))
arr
numpy 数组shape()
最新推荐文章于 2022-12-07 22:21:54 发布
本文深入探讨了numpy库中数组的shape属性,解释了如何查看和改变数组的形状,以及它在数据操作中的关键作用。通过实例展示了reshape、flatten和transpose等方法,帮助读者更好地理解和应用numpy数组的shape。
摘要由CSDN通过智能技术生成