如何全面掌握Numpy数据处理ndarray的深度应用技巧？

本文共计785个文字，预计阅读时间需要4分钟。

目录

1.ndarray 的属性

2.数组的形状

3.ndarray 的类型

1.ndarray 的属性

数组属性反映了数组本身固有的信息。常用的查看数组属性的语句如下表所示：

| 属性名称 | 属性解释 ||---------|---------|| ndarray.sh | 显示数组的形状信息 |

目录

• 1. ndarray的属性
• 2. 数组的形状
• 3. ndarray的类型

1. ndarray的属性

数组的属性反映了数组本身固有的信息。常用的查看数组属性的相关语法如下表格所示：

属性名称属性解释ndarray.shape数组维度的元组ndarray.ndim数组维数ndarray.size数组中的元素数量ndarray.itemsize一个数组元素的长度（字节）ndarray.dtype数组元素的类型

下面，我们将针对ndarray的各种属性，进行代码演示。

代码演示如下所示：

import numpy as np score = np.array([[1, 2, 3], [4, 5, 6], [1, 1, 1], [2, 2, 2]]) print(score.shape) # 数组维度的元组 print(score.ndim) # 数组维数 print(score.size) # 数组中的元素数量 print(score.itemsize) # 一个数组元素的长度（字节） print(score.dtype) # 数组元素的类型

代码运行结果如下图所示：

注意：关于数组的维度，想知道数组有几维，最简单的办法就是看数组最外侧有多少个中括号，以上代码中传入的数组score有两个中括号，因此数组维数为2。

2. 数组的形状

关于数组形状，我们直接附上一段代码来理解：

c = np.array([[[1, 2, 3], [4, 5, 6], [1, 1, 1], [2, 2, 2]], [[1, 2, 3], [4, 5, 6], [1, 1, 1], [2, 2, 2]]]) print("c的数组维度：", c.shape)

以上代码运行结果如下图所示：

此处，输出的结果(2,4,3)(2,4,3)(2,4,3)的含义为：在最外层有2个二维数组。在二维数组里面，有4个一维数组。在一维数组里，有3个元素。

3. ndarray的类型

dtype是numpy.dtype类型，基本上之前所接触过的数据类型，这里面都支持。例如，bool、int32、int64、float32、uint8、complex64等等。

在我们创建array的同时是可以指定数组ndarray类型的。具体语法如下所示：

a = np.array([[[1, 2, 3], [4, 5, 6], [1, 1, 1], [2, 2, 2]], [[1, 2, 3], [4, 5, 6], [1, 1, 1], [2, 2, 2]]], dtype=np.float32) print(a.dtype) print(a)

代码运行结果如下图所示：可以发现结果中的数组元素带有小数点了。

当然，数组也可以存储字符串：

b = np.array(["python", "hello", "1"], dtype=np.string_) print(b)

运行结果如下图所示：

以上就是Numpy 数据处理 ndarray使用详解的详细内容，更多关于Numpy 数据处理 ndarray的资料请关注自由互联其它相关文章！