numpy中array的维度之-------一维向量和一维数组的区别。

every blog every motto: Whatever is worth doing is worth doing well.

前言

关于数组维度和矩阵形状的一点思考。

1. 代码案例

代码块1：

import numpy as np
a = np.array([1,2,3,3])
print('a的shape是：')
print(a.shape)
b = np.array([[1,1],[1,1],[1,1]])
print('b的shape是：')
print(b.shape)

输出为：
代码块2：

a的shape是：
(4,)
b的shape是：
(3, 2)

代码块3：

import numpy as np
a = np.array([1,2,3,3])
print('a的维度是：')
print(a.ndim)
b = np.array([[1,1],[1,1],[1,1]])
print('b的维度是：')
print(b.ndim)

代码块4:

a的维度是：
1
b的维度是：
2

2. 代码讲解

2.1. 维度判断方式：

1. 根据shape中数字个数判断。如代码块1和2所示，a中的输出为（4，），有一个数字，那么a是一维；b中的输出为（3,2），有两个数字（分别为3和2），则b是二维。
2. 根据ndim方法判断如代码块3和4所示。可以直接运用ndim进行维度的输出。

2.2 shape中数字的含义：

如代码块2

1. a.shape 输出 （4，），其中只有一个数字4，表示一维；数字4表示含有4个数据。
2. b.shape 输出 （3,2），其中含有两个数字（分别是3,2）表示二维数组。3,2的含义为：3表示其中含有3个一维数组，2表示一维数组中含有2个数组

3. 一点思考

1. 对于一维数组可能有点难理解。如线性代数中 n = [1,2,2,4]，它表示向量（1*4）而在数组中的表示为（4，）。需要注意的是，这里是向量（或者说矩阵，矩阵和数组的区别可参考文献[2]）与我们所说的数组还是有不同的，注意不要混淆！
2. 另，有关维度的详细讲解参考文献[1]

参考文献

[1] https://blog.csdn.net/Babyfatliang/article/details/87721282
[2] https://blog.csdn.net/wyl1813240346/article/details/79806207