4. Numpy中的数组(ndarray)的属性

最新推荐文章于 2024-05-16 03:12:24 发布

bai666ai

最新推荐文章于 2024-05-16 03:12:24 发布

阅读量3.1k

点赞数

文章标签： python numpy 开发语言人工智能

本文链接：https://blog.csdn.net/bai666ai/article/details/123045144

版权

《玩转Numpy计算库》视频课程
《玩转Numpy计算库》视频课程链接：https://edu.csdn.net/course/detail/28656

数组(ndarray)的属性

ndarray的数组是“ N维数组”的简写。N维数组只是具有任意数量维度的数组。例如：1-d ，或一维数组，2-d ，或二维数组，等等。

NumPy的ndarray类用于表示矩阵和向量。

向量是一维（有行向量和列向量）的数组，而矩阵是指具有两个维度的数组。对于3-D或更高维的数组，也通常使用张量(tensor)这一术语。

在这里插入图片描述

数组通常是具有相同类型和大小的元素的固定大小的容器。数组属性反映了数组本身固有的信息。

数组中的维数和元素数由其形状(shape)定义。数组的形状是指定每个维度的大小的非负整数的一个元组。

在NumPy中，不同的维度称为轴(axes)。

如果有一个如下所示的2D数组：

[[0., 0., 0.], [1., 1., 1.]]

该数组有2个轴。第一轴的长度为2，第二轴的长度为3。

a =np.array([[0., 0., 0.],
 [1., 1., 1.]])
print(a.ndim)

print(a.shape)

(2, 3)

NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
在二维NumPy数组中，轴是沿行和列的方向。 axis=0，表示沿着第 0 轴（行的方向）进行操作；axis=1，表示沿着第1轴进行操作。

比较重要 ndarray 对象的属性有：

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区。由于一般通过数组的索引获取元素，通常不需要使用这个属性。

a = np.arange(12)  
print (a.ndim)             # a 现只有一个维度
print(a)

1
[ 0  1  2  3  4  5  6  7  8  9 10 11]

# 现在调整其大小
b = a.reshape(4,3)  # b 现在拥有两个维度
print (b.ndim)
print(b)

2
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]

c = a.reshape(2,2,3)  # b 现在拥有三个维度
print (c.ndim)
print(c)

3
[[[ 0  1  2]
  [ 3  4  5]]

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

ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。

例如，一个元素类型为 float64 的数组 itemsize 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节）;

又如，一个元素类型为 complex32 的数组 itemsize 属性值为 4（32/8）。

print(a)
print (a.itemsize)

[ 0  1  2  3  4  5  6  7  8  9 10 11]
4

# 数组的 dtype 为 int8（一个字节）  
x = np.array([0, 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11], dtype = np.int8)  
print (x.itemsize)

# 数组的 dtype 现在为 float64（八个字节） 
y = np.array([0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11], dtype = np.float64)  
print (y.itemsize)

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

属性	描述
C_CONTIGUOUS ©	数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)	数据是在一个单一的Fortran风格的连续段中
OWNDATA (O)	数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W)	数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED (A)	数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)	这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

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

  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

a = np.arange(15).reshape(3, 5)
a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

a.shape

(3, 5)

a.ndim

a.dtype.name

'int32'

a.itemsize

a.size

type(a)

numpy.ndarray

b = np.array([6, 7, 8])
b

array([6, 7, 8])

type(b)

numpy.ndarray

关注