【Numpy库学习笔记】Numpy中dim、shape和size的理解

简介: 【Numpy库学习笔记】Numpy中dim、shape和size的理解

一、dim

理解:

dim就是维数,比如数组会有一维数组,二维数组……。numpy的dim维数同理。


那如何判断numpy的维数,最简单的方法就是数一数"中括号"的数量。没有中括号,dim=0; 1个中括号,dim=1; 2个中括号,dim=2 ……如:

①a = np.array([[1,2,3],[2,3,4]]),在array和第一行元素1,2,3中间有2个[,说明是2维。

②a = np.array(3),在array和第一个元素3中间没有[,所以是0维。

③a = np.array([4]),在array和第一个元素4中间有一个[,说明是1维。


代码:

import numpy as np
a = np.array(3)
print(a.ndim)   # a的维度ndim=3
b = np.array([2])
print(b.ndim)  # b的维度ndim=1
c = np.array([[1,2,3],[2,3,4]])
print(c.ndim)  # c的维度ndim=2

二、shape

理解:

shape表示numpy数组的是什么形状的,比如一个二维的数组是几行几列的。


代码:

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

输出:

(2, 3)


备注:

①使用np.array构造一个2维的数组,使用array.shape查看数组的shape形状。

②(2,3)表明numpy数组是2行3列的数组。第一行 1,2,3;第二行 2,3,4。


三、size

理解:

size表示数组中一共有多少个元素。


代码:


import numpy as np
array = np.array([[1, 2, 3],
                  [2, 3, 4]])
print(array.size)

输出:

6


备注:

使用np.array创建了一个2维的2行3列的数组,一共有2×3=个元素。


四、代码示例

import numpy as np
array = np.array([[1, 2, 3], [2, 3, 4], [3, 4, 5]])
print(array)  # 打印矩阵
print('number of dim:', array.ndim)  # dim维度 2
print('shape:', array.shape)  # shape(几行几列)shape(2,3) 代表2行3列
print('size:', array.size)  # size 总共有多少个元素在里面
目录
相关文章
|
2月前
|
数据采集 数据处理 Python
探索数据科学前沿:Pandas与NumPy库的高级特性与应用实例
探索数据科学前沿:Pandas与NumPy库的高级特性与应用实例
40 0
|
3月前
|
Python
NumPy 教程 之 NumPy 矩阵库(Matrix) 4
矩阵是由行和列构成的矩形数组,其元素可以是数字、符号或数学表达式。
35 4
|
3月前
|
Python
NumPy 教程 之 NumPy 矩阵库(Matrix) 2
不同于ndarray,matlib函数生成的是矩阵形式。教程中详细解释了矩阵的概念,并介绍了转置矩阵的实现方式,使用T属性或函数实现。此外,还展示了如何利用`matlib.empty()`创建指定形状的新矩阵,并可选择数据类型及顺序。最后通过示例演示了矩阵填充随机数据的方法。
38 3
|
3月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
103 0
|
2月前
|
Python
Numpy学习笔记(一):array()、range()、arange()用法
这篇文章是关于NumPy库中array()、range()和arange()函数的用法和区别的介绍。
60 6
Numpy学习笔记(一):array()、range()、arange()用法
|
1月前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
70 5
|
2月前
|
索引 Python
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
NumPy库中`np.where`和逻辑运算函数`np.logical_and`、`np.logical_or`、`np.logical_not`的使用方法和示例。
182 1
Numpy学习笔记(三):np.where和np.logical_and/or/not详解
|
2月前
|
Python
Numpy学习笔记(四):如何将数组升维、降维和去重
本文介绍了如何使用NumPy库对数组进行升维、降维和去重操作。
54 1
|
2月前
|
Python
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
NumPy库中的`np.concatenate`和`np.append`函数,它们分别用于沿指定轴拼接多个数组以及在指定轴上追加数组元素。
50 0
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
|
2月前
|
机器学习/深度学习 索引 Python
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
本文解释了NumPy中`argmax`函数的`axis`参数在不同维度数组中的应用,并通过代码示例展示了如何使用`axis=0`、`axis=1`和`axis=-1`来找到数组中最大值的索引。
160 0
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码