Python中的shape[0]、shape[1]和shape[-1]分别是什么意思（代码解析）

shape函数是Numpy中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。

直接用.shape可以快速读取矩阵的形状，使用shape[0]读取矩阵第一维度的长度。

.shape的使用方法

>>> import numpy as np
>>> x=np.array([[1,2,3],[4,5,6]])
>>> print(x.shape)

(2, 3)

 

shape[0]的使用方法

>>> import numpy as np
>>> x=np.array([[1,2,3],[4,5,6]])
>>> print(x.shape[0])
2

其实，我们可以发现:

>>> print(len(x))

shape[0]读取矩阵第一维度的长度，即数组的行数。

shape[1]的使用方法

>>> print(x.shape[1])

是我们的数组的列数。

以上都是二维数组中的使用

举个实际例子

 feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE',
                     'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT','MEDV']
    feature_num = len(feature_names)
    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])

    #将原数据集拆分成 训练集和测试集
    #这里使用80%的数据做训练，20%的数据做测试
    #测试集和训练集是没有交集的
    ratio = 1
    offset = int(data.shape[0] * ratio)#506 *0.8 =404.8 约等 404
    training_data = data[:offset] #训练集

有时我们会遇到一种新的表示方法:shape[-1]

首先需要知道，对于二维张量，shape[0]代表行数，shape[1]代表列数，同理三维张量还有shape[2]

对于图像来说：

image.shape[0]——图片高

image.shape[1]——图片长

image.shape[2]——图片通道数

而对于矩阵来说：

shape[0]：表示矩阵的行数

shape[1]：表示矩阵的列数

一般来说，-1代表最后一个，所以shape[-1]代表最后一个维度，如在二维张量里，shape[-1]表示列数，注意，即使是一维行向量，shape[-1]表示行向量的元素总数，换言之也是列数：

我们还是举上面的例子:

>>> print(x.shape[-1])

就是求得的列数。