笔记 | numpy-03.数组属性

#%%
"""
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(秩:1)，二维(秩:2), 以此类推..
NumPy 中 每一个线性的数组称为是一个轴(axis), 也就是维度(dimensions)
    二维数组 = 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

很多时候可以声明 axis.
    axis=0, 表示沿着第 0 轴进行操作, 即对每一列进行操作(垂直)
    axis=1, 表示沿着第 1 轴进行操作, 即对每一行进行操作(水平)
"""
#%%
"""
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，所以通常不需要使用这个属性。
"""
#%% md
## ndarray.ndim
ndarray.ndim 用于返回数组的维数，等于秩
#%%
import numpy as np

a = np.arange(24)  # arange(数字) | 从 0~24(不含24) 整数
print(a.ndim)  # 维度 当前1维(24行1列)
a
#%%
# 调整其维度
b = a.reshape(2, 4, 3) # 2组, 4行(每组), 3列(每行)
print(b.ndim)
b
#%% md
## ndarray.shape
ndarray.shape 表示数组的维度, 返回一个元组, 这个元组的长度就是维度的数目, 即 ndim 属性(秩). 比如, 一个二维数组, 其维度表示 "行数" 和 "列数" (r,c)
#%%
import numpy as np

a = np.array([
    [1, 2, 3],
    [4, 5, 6]
])
print(a.shape)
a
#%%
# 调整数组大小
a.shape = (3, 2) # 等同于 reshape | 修改原值
a
#%%
# reshape 函数来调整数组大小
import numpy as np

a = np.array([
    [1, 2, 3],
    [4, 5, 6]
])
b = a.reshape(3, 2)  # 返回新值

a
#%%
b
#%% md
## ndarray.itemsize
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)
一个元素类型为 complex32 的数组 itemsize 属性为 4 (32/8)
#%%
import numpy as np

# 数组的 dtype 为 int8(一个字节)
x = np.array([1, 2, 3, 4, 5], dtype=np.int8) # 8/8=1
x.itemsize
#%%
y = np.array([1, 2, 3, 4, 5], dtype=np.float64) # 64/8=8
y.itemsize
#%% md
## ndarray.flags
ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性
#%%
"""
属性	描述
C_CONTIGUOUS (C)	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
"""
#%%
import numpy as np

x = np.array([1, 2, 3, 4, 5])
x.flags
#%%
# 通常返回的是非拷贝副本，即改变返回后数组的元素，原数组对应元素的值也会改变
import numpy as np

a = np.array([
    [1, 2, 3],
    [4, 5, 6]
])
a
#%%
b = a.reshape((6,)) # 6行 剩下自动计算
b
#%%
b[0] = 100 # 修改 b的第一行(行索引为0)
b
#%%
# 结果 a 也会改变
a
#%%