03.Numpy数组属性

shape

这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。

示例

>>> a = np.array([[1, 2, 3], [4, 5, 6]])
>>> a.shape
(2, 3)
>>> a.shape = 3, 2
>>> a.shape
(3, 2)
>>> a
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> b = a.reshape(6, 1)
>>> b
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])                     

ndim

这一数组属性返回数组的维数。

示例

>>> a = np.arange(24)
>>> a.ndim
1
>>> b = a.reshape(2, 3, 4)
>>> b.ndim
3

size

这一数组属性返回数组中元素个数。

示例

In [36]: a = np.arange(24)                                                 
                                                                           
In [37]: a                                                                 
Out[37]:                                                                   
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 
       17, 18, 19, 20, 21, 22, 23])                                        
                                                                           
In [38]: a.size                                                            
Out[38]: 24                                                                

itemsize

这一数组属性返回数组中每个元素的字节单位长度。

示例

>>> x = np.array([1, 2, 3, 4, 5], dtype=np.int8)
>>> x
array([1, 2, 3, 4, 5], dtype=int8)
>>> x.itemsize
1
>>> x = np.array([1, 2, 3, 4, 5], dtype=np.float)
>>> x
array([1., 2., 3., 4., 5.])
>>> x.itemsize
8

flags

ndarray对象拥有以下属性。这个函数返回了它们的当前值。

序号	属性及描述
1.	C_CONTIGUOUS (C) 数组位于单一的、C 风格的连续区段内
2.	F_CONTIGUOUS (F) 数组位于单一的、Fortran 风格的连续区段内
3.	OWNDATA (O) 数组的内存从其它对象处借用
4.	WRITEABLE (W) 数据区域可写入。 将它设置为flase会锁定数据，使其只读
5.	ALIGNED (A) 数据和任何元素会为硬件适当对齐
6.	UPDATEIFCOPY (U) 这个数组是另一数组的副本。当这个数组释放时，源数组会由这个数组中的元素更新

示例

下面的例子展示当前的标志。

>>> x = np.array([1, 2, 3, 4, 5], dtype=np.float)
>>> x.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

imag

ndarray.imag 用来输出数组包含元素的虚部。

real

ndarray.real用来输出数组包含元素的实部。

>>> a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b = np.array(a, dtype=np.complex)
>>> b
array([[ 0.+0.j,  1.+0.j,  2.+0.j,  3.+0.j],
       [ 4.+0.j,  5.+0.j,  6.+0.j,  7.+0.j],
       [ 8.+0.j,  9.+0.j, 10.+0.j, 11.+0.j]])
>>> b.imag
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
>>> b.real
array([[ 0.,  1.,  2.,  3.],
       [ 4.,  5.,  6.,  7.],
       [ 8.,  9., 10., 11.]])

转载于:https://www.cnblogs.com/oneTOinf/p/10480340.html