NumPy 数组属性

╰+哭是因爲堅強的太久メ 2022-11-21 14:56 162阅读 0赞

本章节我们将来了解 NumPy 数组的一些基本属性。

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（axis），也就是维度（dimensions）。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（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；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ndarray.ndim</td> 
   <td>秩，即轴的数量或维度的数量</td> 
  </tr> 
  <tr> 
   <td>ndarray.shape</td> 
   <td>数组的维度，对于矩阵，n 行 m 列</td> 
  </tr> 
  <tr> 
   <td>ndarray.size</td> 
   <td>数组元素的总个数，相当于 .shape 中 n*m 的值</td> 
  </tr> 
  <tr> 
   <td>ndarray.dtype</td> 
   <td>ndarray 对象的元素类型</td> 
  </tr> 
  <tr> 
   <td>ndarray.itemsize</td> 
   <td>ndarray 对象中每个元素的大小，以字节为单位</td> 
  </tr> 
  <tr> 
   <td>ndarray.flags</td> 
   <td>ndarray 对象的内存信息</td> 
  </tr> 
  <tr> 
   <td>ndarray.real</td> 
   <td>ndarray元素的实部</td> 
  </tr> 
  <tr> 
   <td>ndarray.imag</td> 
   <td>ndarray 元素的虚部</td> 
  </tr> 
  <tr> 
   <td>ndarray.data</td> 
   <td>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。</td> 
  </tr> 
 </tbody> 
</table>

### ndarray.ndim ###

ndarray.ndim 用于返回数组的维数，等于秩。

## 实例 ##

import numpy as np a = np.arange(24) print (a.ndim) \# a 现只有一个维度 \# 现在调整其大小 b = a.reshape(2,4,3) \# b 现在拥有三个维度 print (b.ndim)

输出结果为：

1
    3

### 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"。

ndarray.shape 也可以用于调整数组大小。

## 实例 ##

import numpy as np a = np.array(\[\[1,2,3\],\[4,5,6\]\]) print (a.shape)

输出结果为：

(2, 3)

调整数组大小。

## 实例 ##

import numpy as np a = np.array(\[\[1,2,3\],\[4,5,6\]\]) a.shape = (3,2) print (a)

输出结果为：

[[1 2]
     [3 4]
     [5 6]]

NumPy 也提供了 reshape 函数来调整数组大小。

## 实例 ##

import numpy as np a = np.array(\[\[1,2,3\],\[4,5,6\]\]) b = a.reshape(3,2) print (b)

输出结果为：

[[1, 2] 
     [3, 4] 
     [5, 6]]

### 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 itemsiz 属性值为 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），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。

## 实例 ##

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) print (x.itemsize) \# 数组的 dtype 现在为 float64（八个字节） y = np.array(\[1,2,3,4,5\], dtype = np.float64) print (y.itemsize)

输出结果为：

1
    8

### ndarray.flags ###

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>C_CONTIGUOUS (C)</td> 
   <td>数据是在一个单一的C风格的连续段中</td> 
  </tr> 
  <tr> 
   <td>F_CONTIGUOUS (F)</td> 
   <td>数据是在一个单一的Fortran风格的连续段中</td> 
  </tr> 
  <tr> 
   <td>OWNDATA (O)</td> 
   <td>数组拥有它所使用的内存或从另一个对象中借用它</td> 
  </tr> 
  <tr> 
   <td>WRITEABLE (W)</td> 
   <td>数据区域可以被写入，将该值设置为 False，则数据为只读</td> 
  </tr> 
  <tr> 
   <td>ALIGNED (A)</td> 
   <td>数据和所有元素都适当地对齐到硬件上</td> 
  </tr> 
  <tr> 
   <td>UPDATEIFCOPY (U)</td> 
   <td>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</td> 
  </tr> 
 </tbody> 
</table>

## 实例 ##

import numpy as np x = np.array(\[1,2,3,4,5\]) print (x.flags)

输出结果为：

C_CONTIGUOUS : True
      F_CONTIGUOUS : True
      OWNDATA : True
      WRITEABLE : True
      ALIGNED : True
      WRITEBACKIFCOPY : False
      UPDATEIFCOPY : False

[NumPy 数据类型][NumPy]

[NumPy 创建数组][NumPy 1]

# #

1 篇笔记 写笔记

1.     TRINITY
    
      cho\*\*\*03@outlook.com
    
    38
    
    ndarray.reshape 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。
    
        In [1]: import numpy as np
        
        In [2]: a=np.array([[1,2,3],[4,5,6]])
        
        In [3]: a
        Out[3]:
        array([[1, 2, 3],
               [4, 5, 6]])
        
        In [4]: b=a.reshape((6,))
        
        In [5]: b
        Out[5]: array([1, 2, 3, 4, 5, 6])
        
        In [6]: b[0]=100
        
        In [7]: b
        Out[7]: array([100,   2,   3,   4,   5,   6])
        
        In [8]: a
        Out[8]:
        array([[100,   2,   3],
               [  4,   5,   6]])

[NumPy]: https://www.runoob.com/numpy/numpy-dtype.html
[NumPy 1]: https://www.runoob.com/numpy/numpy-array-creation.html