小白教程
所有教程
关于
Search
172.70.100.188
172.70.100.188
参数设置
贡献
退出
操作
编辑
移动
保护
信息
历史
删除
查看“NumPy 数组属性”的源代码
本页内容
上一节:
NumPy_数据类型
下一节:
NumPy_创建数组
因为以下原因,您没有权限编辑本页:
您请求的操作仅限属于该用户组的用户执行:
用户
您可以查看和复制此页面的源代码。
{{DISPLAYTITLE:NumPy 数组属性}}[[Category:NumPy 教程|5]] = NumPy 数组属性 = 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: {| class="table table-striped table-hover" ! 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。 |} === ndarray.ndim === ndarray.ndim 用于返回数组的维数,等于秩。 <sample title="" desc="" lang="python" hererun="1"> 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) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> 1 3 </sample> === 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。 <sample title="" desc="" lang="python" hererun="1"> import numpy as np a = np.array([[1,2,3],[4,5,6]]) print (a.shape) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> (2, 3) </sample> 调整数组大小。 <sample title="" desc="" lang="python" hererun="1"> import numpy as np a = np.array([[1,2,3],[4,5,6]]) a.shape = (3,2) print (a) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> [[1 2] [3 4] [5 6]] </sample> NumPy 也提供了 reshape 函数来调整数组大小。 <sample title="" desc="" lang="python" hererun="1"> import numpy as np a = np.array([[1,2,3],[4,5,6]]) b = a.reshape(3,2) print (b) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> [[1, 2] [3, 4] [5, 6]] </sample> === 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)。 <sample title="" desc="" lang="python" hererun="1"> 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) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> 1 8 </sample> === ndarray.flags === ndarray.flags 返回 ndarray 对象的内存信息,包含以下属性: {| class="table table-striped table-hover" ! 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 |} <sample title="" desc="" lang="python" hererun="1"> import numpy as np x = np.array([1,2,3,4,5]) print (x.flags) </sample> 输出结果为: <sample title="" desc="" lang="python" hererun="1"> C_CONTIGUOUS : True F_CONTIGUOUS : True OWNDATA : True WRITEABLE : True ALIGNED : True WRITEBACKIFCOPY : False UPDATEIFCOPY : False </sample>
返回至“
NumPy 数组属性
”。
上一节:
NumPy_数据类型
下一节:
NumPy_创建数组