筆記對numpy中shape的理解

環境：windows， python2.7

>>> import numpy as np
>>> a = np.array([2,3,33])
>>> a
array([ 2 3 33 ])
>>> print a
[ 2 3 33 ]
>>> a.shape
(3, )

一維情況中array建立的可以看做list（或一維陣列），建立時用（）和[ ]都可以，多維也一樣，兩種方法建立後的輸出顯示結果也相同，這裡使用[ ]進行建立

輸出a的shape會顯示乙個引數，就是這個list中元素個數

建立時也可以直接使用np.zeros([1])，這樣會建立全0的list，或者np.ones([1])，不需要我們輸入資料，見下圖：

>>> a = np.zeros([1])
>>> b = np.ones([1])
>>> print a
[ 0. ]
>>> print b
[ 1. ]

>>> a = np.array([[2,2,2],[3,3,3]])
>>> print a
[[ 2  2  2 ]
[ 3  3  3 ]]
>>> a.shape
(2, 3)

二維情況中array建立的可以看做二維陣列（矩陣），注意建立時需要使用2個[ ]，輸出a的shape顯示的（2,3）相當於有2行，每行3個數，使用np.ones建立結果如下：

>>> a = np.ones([2, 3])
>>> print a
[[ 1.  1.  1. ]
[ 1.  1.  1. ]]

多維情況統一使用np.ones進行建立，先看三維情況：

>>> a = np.ones([1,1,1])
>>> print a
[[[ 1.]]]
>>> a = np.ones([1,1,2])
>>> print a
[[[ 1.  1.]]]
>>> a = np.ones([1,2,1])
>>> print a
[[[ 1.]
[ 1.]]]
>>> a = np.ones([2,1,1])
>>> print a
[[[ 1.]]
[[ 1.]]]

從上面的**可以看出，三維情況建立時後面2個引數可以看做是建立二維陣列，第1個引數看做建立的二維陣列的個數，所以建立時輸入的引數為2,3,2時，就相當於建立了2個3行2列的二維陣列，如下：

>>> a = np.ones([2,3,2])
>>> print a
[[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]
[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]]

然後看四維情況：

>>> a = np.ones([1,1,1,1])
>>> print a
[[[[ 1.]]]]
>>> a = np.ones([1,1,1,2])
>>> print a
[[[[ 1.  1.]]]]
>>> a = np.ones([1,1,2,1])
>>> print a
[[[[ 1.]
[ 1.]]]]
>>> a = np.ones([1,2,1,1])
>>> print a
[[[[ 1.]]
[[ 1.]]]]
>>> a = np.ones([2,1,1,1])
>>> print a
[[[[ 1.]]]
[[[ 1.]]]]

從上面**可以看出：四維時將第乙個引數設定為2和第二個引數設定為2時，輸出結果中間的空行數量不同，我把它理解成先建立1行1列的二維陣列[[ 1. ]]，然後按照第2個引數打包這樣的二維陣列，如果第二個引數是2，則打包2個2維陣列變成[[[ 1. ]]，[[ 1. ]]]（小包），然後按照第1個引數再打包這樣的包，如果第乙個引數是2，則變成[[[[ 1. ]], [[ 1. ]]], [[[ 1. ]], [[ 1. ]]]]（大包），就是下面的結果：

>>> a = np.ones([2,2,1,1])
>>> print a
[[[[ 1.]]
[[ 1.]]]
[[[ 1.]]
[[ 1.]]]]

四維以上的結果也是這麼理解~輸出中區分引數用空行~

然後來看一下特定輸出：

>>> import numpy as np
>>> m = np.ones([2,3,2,3])
>>> print m
[[[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]]
[[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]]]
>>> print m[1,:,:,:]
[[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]]
>>> print m[:,1,:,:]
[[[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]]]
>>> print m[:,:,1,:]
[[[ 1.  1.  1.]
[ 1.  1.  1.]
[ 1.  1.  1.]]
[[ 1.  1.  1.]
[ 1.  1.  1.]
[ 1.  1.  1.]]]
>>> print m[:,:,:,1]
[[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]
[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]]

前面print m很好理解~

然後print m[1,：,：,：]，：代表預設值（就是一開始你輸入時指定的值），這句**相當於輸出2個包中的第1個包（從0開始計數），這個包裡面有3個小包，小包裡面是2*3的二維陣列，所以結果就是上面的~

然後print m[：,1,：,：]，相當於輸出2個大包，每個大包輸出第1個小包，小包裡面是2*3的二維陣列

然後print m[：,：,1,：]，相當於輸出2個大包，每個大包輸出3個小包，小包裡面是二維陣列的第1行

然後print m[：,：,：,1]，相當於輸出2個大包，每個大包輸出3個小包，小包裡面是1*2的一維陣列

其他結果可以自己去試試~

總結：採用np.array()建立時需要幾個維度就要用幾個[ ]括起來，這種建立方式要給定資料；採用np.ones()或np.zeros()建立分別產生全1或全0的資料，用a.shape會輸出你建立時的輸入，建立時輸入了幾個維度輸出就會用幾個[ ]括起來，shape的返回值是乙個元組，裡面每個數字表示每一維的長度

筆記對numpy中shape的理解

對numpy中shape的理解

numpy中shape和reshape的用法

Python的numpy庫中的shape用法

筆記 對numpy中shape的理解

對numpy中shape的理解

numpy中shape和reshape的用法

Python的numpy庫中的shape用法

相關推薦

筆記對numpy中shape的理解