• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    Numpy中的shape函数的用法详解

    shape函数的功能是读取矩阵的长度,比如shape[0]就是读取矩阵第一维度的长度,相当于行数。它的输入参数可以是一个整数表示维度,也可以是一个矩阵。shape函数返回的是一个元组,表示数组(矩阵)的维度,例子如下:

    1. 数组(矩阵)只有一个维度时,shape只有shape[0],返回的是该一维数组(矩阵)中元素的个数,通俗点说就是返回列数,因为一维数组只有一行,一维情况中array创建的可以看做list(或一维数组),创建时用()和[ ]都可以,多维就不可以这样子了,这里使用[ ],请看下例:

    >>> a=np.array([1,2])
    >>> a
    array([1, 2])
    >>> a.shape
    (2L,)
    >>> a.shape[0]
    2L
    >>> a.shape[1]
    Traceback (most recent call last):
     File "pyshell#63>", line 1, in module>
      a.shape[1]
    IndexError: tuple index out of range  #最后报错是因为一维数组只有一个维度,可以用a.shape或a.shape[0]来访问
    
    
    
    >>> a=np.array((1,2))
    >>> a
    array([1, 2]) #这个使用的是两个()包裹,得到的数组和前面的一样

    2.数组有两个维度(即行和列)时,和我们的逻辑思维一样,a.shape返回的元组表示该数组的行数与列数,请看下例:

    >>> a=np.array([[1,2],[3,4]])  #注意二维数组要用()和[]一起包裹起来,键入print a 会得到一个用2个[]包裹的数组(矩阵)
    >>> a
    array([[1, 2],
        [3, 4]])
    >>> a.shape
    (2L, 2L)
    >>> b=np.array([[1,2,3],[4,5,6]])
    >>> b
    array([[1, 2, 3],
        [4, 5, 6]])
    >>> b.shape
    (2L, 3L)

    3.当数组是三维时,要用一个()和两个[]包裹起来,键入print a 会得到一个用3个[]包裹的数组(矩阵),请看下例:

    >>> a=np.array([[[1,2],[3,4]]])
    >>> a
    array([[[1, 2],
        [3, 4]]])
    >>> a.shape
    (1L, 2L, 2L)

    这里返回的元组表示3个维度各包含的元素的个数。
    所谓元素,在一维时就是元素的个数,二维时表示行数和列数,三维时a.shape【0】表示创建的块数,a.shape【1】和a.shape【2】表示每一块(每一块都是二维的)的行数和列数,举个例子:

    >>> a=np.ones([2,2,3])#创建两个2行3列的数组(矩阵)
    >>> a
    array([[[ 1., 1., 1.],
        [ 1., 1., 1.]],
     
        [[ 1., 1., 1.],
        [ 1., 1., 1.]]])

    总结:使用np.array()创建数组时,

    一维的可以直接np.array([1,2,3])或者np.array((1,2,3)),输出(print)时是:

    >>> print a
    [1 2 3]

    外面有一个[]包裹;

    二维的要使用np.array([[1,2,3],[1,2,3]]),用一个()和一个[]把要输入的list包裹起来,输出(print)时是

    >>> print a
    [[1 2 3]
     [1 2 3]]

    外面有两个[]包裹;

    三维的要使用np.array([[[1,2,3],[1,2,3]]]),用一个()和两个[]把要输入的list包裹起来,输出(print)时是

    >>> print a
    [[[1 2 3]
     [1 2 3]]]

    外面有三个[]包裹;

    对于更高维的情况以后再研究

    到此这篇关于Numpy中的shape函数的用法详解的文章就介绍到这了,更多相关Numpy shape函数用法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

    您可能感兴趣的文章:
    • Numpy中ndim、shape、dtype、astype的用法详解
    • numpy库reshape用法详解
    上一篇:Numpy实现矩阵运算及线性代数应用
    下一篇:详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    Numpy中的shape函数的用法详解 Numpy,中的,shape,函数,的,