菜鸟教程 -- 学的不仅是技术,更是梦想!

NumPy 教程
(追記) (追記ここまで)

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:

属性说明
ndarray.ndim数组的秩(rank),即数组的维度数量或轴的数量。
ndarray.shape数组的维度,表示数组在每个轴上的大小。对于二维数组(矩阵),表示其行数和列数。
ndarray.size数组中元素的总个数,等于 ndarray.shape 中各个轴上大小的乘积。
ndarray.dtype数组中元素的数据类型。
ndarray.itemsize数组中每个元素的大小,以字节为单位。
ndarray.flags包含有关内存布局的信息,如是否为 C 或 Fortran 连续存储,是否为只读等。
ndarray.real数组中每个元素的实部(如果元素类型为复数)。
ndarray.imag数组中每个元素的虚部(如果元素类型为复数)。
ndarray.data实际存储数组元素的缓冲区,一般通过索引访问元素,不直接使用该属性。

ndarray.ndim

ndarray.ndim 用于获取数组的维度数量(即数组的轴数)。

实例

importnumpyasnpa = 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

importnumpyasnpa = 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

importnumpyasnpa = 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

importnumpyasnpa = 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 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)。

实例

importnumpyasnp# 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:

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

实例

importnumpyasnpx = 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
AI 思考中...

2 篇笔记 写笔记

  1. #0

    TRINITY

    cho***[email protected]

    971

    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]])

    TRINITY

    cho***[email protected]

    6年前 (2020年09月23日)
  2. #0

    kaokaoyu

    193***[email protected]

    106

    虽然把 a.flags.writeable 改为了 False(只读),但是在数组 b 上的操作仍然会影响数组 a,因为数组 a 和数组 b 共享底层的数据缓冲区。这是由于 reshape 操作不会创建新的数据副本,而是使用相同的数据,只是以新的形状进行解释。

    import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
b = a.reshape((3, 2))
print(b)
a.flags.writeable = False
b[0][0] = 666
print(b)
print(a)
print(a.flags)

    结果:

    [[1 2]
 [3 4]
 [5 6]]
[[666 2]
 [ 3 4]
 [ 5 6]]
[[666 2 3]
 [ 4 5 6]]
 C_CONTIGUOUS : True
 F_CONTIGUOUS : False
 OWNDATA : True
 WRITEABLE : False
 ALIGNED : True
 WRITEBACKIFCOPY : False

    kaokaoyu

    193***[email protected]

    3年前 (2023年08月23日)

点我分享笔记

  • 昵称 (必填)
  • 邮箱 (必填)
  • 引用地址

AltStyle によって変換されたページ (->オリジナル) /