NumPy——ndarray数据的维度

数据的维度

维度：一组数据的组织形式

 

 

一维数据采用线性方式组织
列表和数组
列表：数据类型可以不同
数组：数据类型相同

 

二维数据由多个一维数据构成，是一维数据的组合形式

 

ndarray 数组对象

ndarray是一个多维数组对象，由两部分组成：
1）实际的数据
2）描述这些数据的元数据（数据维度、数据类型等）

 

使用np.array()生成一个ndarray数组
直接打印np.array输出以[ ]包裹，元素以空格分割
其中：
轴（axis）是保存数据的维度
秩（rank）是轴的数量

 

属性：拥有六个参数 详见上一篇
其中详细描述一下np.shape：
shape表示数组对象的形状，当打印的时候，有多少层嵌套的中括号对应就有几个维度，如果同一维度元素数量不一致，则会空出对应维度的元素数

import numpy as np

def ndarray():
    a0 = np.array(1)
    a = np.array([1])
    b = np.array([1,2,3])
    c = np.array([[1,2,3],[4,5,6]])
    d = np.array([[1,2,3],[1,2]])
    e = np.array([[[1,2,3]]])
    print(a0.shape,a.shape,b.shape,c.shape,d.shape,e.shape)
    return 0

ndarray()

结果：

() (1,) (3,) (2, 3) (2,) (1, 1, 3)

ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。
在数组元素维度相同的时候可以将数组对象作为单一数据进行运算

import numpy as np

def pySum():
    a=[0,1,2,3,4]
    b=[9,8,7,6,5]
    c=[]

    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**3)

    return c

def npSum():
    a=np.array([0,1,2,3,4])
    b=np.array([9,8,7,6,5])
    c = a**2 + b**3
    return c

print(pySum())
print(npSum())

运行结果：

[729, 513, 347, 225, 141]
[729 513 347 225 141]