NumPy（三）：N维数组属性【ndim ：数组维度的个数/轴数/秩/rank】【shape：形状】【size：数组的元素总数】【dtype：元素的类型】【itemsize：每个元素的字节大小】

数组的基本属性

• 数组的维数称为秩（rank），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（axes），秩其实是描述轴的数量：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（axes），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。

ndarray数组的属性：数组属性反映了数组本身固有的信息。

属性名字	属性解释
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

一、ndarray数组的形状

首先创建一些数组。

# 创建不同形状的数组
a = np.array([[1,2,3],[4,5,6]])
b = np.array([1,2,3,4])
c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])

分别打印出形状

print(a.shape)
print(b.shape)
print(c.shape)

(2, 3)  # 二维数组
(4,)	# 一维数组
(2, 2, 3) # 三维数组

如何理解数组的形状？

二维数组：

三维数组：

二、ndarray数组元素的类型

ndarray数组的类型

print(type(score.dtype))

打印结果：

<type 'numpy.dtype'>

dtype是numpy.dtype类型，先看看对于数组来说都有哪些类型

print(type(score.dtype))

打印结果：

<type 'numpy.dtype'>

dtype是numpy.dtype类型，先看看对于数组来说都有哪些类型

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	‘b’
np.int8	一个字节大小，-128 至 127	‘i’
np.int16	整数，-32768 至 32767	‘i2’
np.int32	整数，-2^31​ 至 2^32 -1	‘i4’
np.int64	整数，-2^63 至 2^63 - 1	‘i8’
np.uint8	无符号整数，0 至 255	‘u’
np.uint16	无符号整数，0 至 65535	‘u2’
np.uint32	无符号整数，0 至 2^32 - 1	‘u4’
np.uint64	无符号整数，0 至 2^64 - 1	‘u8’
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	‘f2’
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	‘f4’
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	‘f8’
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	‘c8’
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	‘c16’
np.object_	python对象	‘O’
np.string_	字符串	‘S’
np.unicode_	unicode类型	‘U’

创建数组的时候指定类型

a = np.array([[1, 2, 3],[4, 5, 6]], dtype=np.float32)
print(a.dtype) 

打印结果：

dtype('float32') 

arr = np.array(['python', 'tensorflow', 'scikit-learn', 'numpy'], dtype = np.string_)
print(arr) 

打印结果：

array([b'python', b'tensorflow', b'scikit-learn', b'numpy'], dtype='|S12') 

• 注意：若不指定，整数默认int64，小数默认float64

六、案例

import numpy as np

my_arr = np.array([
    [1, 2, 3, 4],
    [5, 6, 7, 8]
])

# 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分）
print('my_arr = ', my_arr)
# 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rank
print('my_arr.ndim = ', my_arr.ndim)
# 数组的维度，对于n行m列的数组，shape为（n，m）
print('my_arr.shape = ', my_arr.shape)
# 数组的元素总数，对于n行m列的数组，元素总数为n*m
print('my_arr.size = ', my_arr.size)
# 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法）
print('my_arr.dtype = ', my_arr.dtype)
# 数组中每个元素的字节大小，int32l类型字节为4，float64的字节为8
print('my_arr.itemsize = ', my_arr.itemsize)
# 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，所以通常不需要使用这个属性。
print('my_arr.data = ', my_arr.data)

打印结果：

my_arr =  [[1 2 3 4]
 [5 6 7 8]]
my_arr.ndim =  2
my_arr.shape =  (2, 4)
my_arr.size =  8
my_arr.dtype =  int32
my_arr.itemsize =  4
my_arr.data =  <memory at 0x000001F91406B120>

Process finished with exit code 0