arrays - numpy ndarray 形状有什么作用？

Question

我有一个关于 .shape 函数的简单问题，这让我很困惑。

a = np.array([1, 2, 3])   # Create a rank 1 array
print(type(a))            # Prints "<class 'numpy.ndarray'>"
print(a.shape)            # Prints "(3,)"

b = np.array([[1,2,3],[4,5,6]])    # Create a rank 2 array
print(b.shape)                     # Prints "(2, 3)"

.shape 到底做了什么？计算有多少行，有多少列，那么 a.shape 应该是 (1,3)，一行三列，对吗？

Answer 1

yourarray.shape或 np.shape() 或 np.ma.shape()以元组形式返回 ndarray 的形状；您可以使用 yourarray.ndim 获取数组的维数(数量)或np.ndim()。 (即它给出了 ndarray 的 n ，因为 NumPy 中的所有数组都是 n 维数组(简称为 ndarray ))

对于一维数组，形状为(n,)，其中n是数组中元素的数量。

对于二维数组，形状为(n,m)，其中n是行数，m 是数组中的列数。

请注意，在 1D 情况下，形状将只是 (n, ) 而不是您所说的 (1, n) code> 或 (n, 1) 分别表示行向量和列向量。

这是为了遵循以下约定:

对于一维数组，返回仅包含 1 个元素的形状元组(即 (n,))
对于 2D 数组，返回仅包含 2 个元素的 形状元组(即 (n,m))
对于 3D 数组，返回仅包含 3 个元素的 形状元组(即 (n,m,k))
对于 4D 数组，返回仅包含 4 个元素的 形状元组(即 (n,m,k,j))

等等。

此外，请参阅下面的示例以了解如何 np.shape()或np.ma.shape()处理一维数组和标量:

# sample array
In [10]: u = np.arange(10)

# get its shape
In [11]: np.shape(u)    # u.shape
Out[11]: (10,)

# get array dimension using `np.ndim`
In [12]: np.ndim(u)
Out[12]: 1

In [13]: np.shape(np.mean(u))
Out[13]: ()       # empty tuple (to indicate that a scalar is a 0D array).

# check using `numpy.ndim`
In [14]: np.ndim(np.mean(u))
Out[14]: 0

附注:因此，形状元组与我们对空间维度的理解一致，至少在数学上是这样。