对numpy中shape的深入理解

环境：Windows， Python2.7

一维情况：

<span style="font-size:14px;">>>> import numpy as np
>>> a = np.array([2,3,33])
>>> a
array([ 2 3 33 ])
>>> print a
[ 2 3 33 ]
>>> a.shape
(3, )</span> 

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，多维也一样，两种方法创建后的输出显示结果也相同，这里使用[ ]进行创建

输出a的shape会显示一个参数，就是这个list中元素个数

创建时也可以直接使用np.zeros([1])，这样会创建全0的list，或者np.ones([1])，不需要我们输入数据，见下图：

<span style="font-size:14px;">>>> a = np.zeros([1])
>>> b = np.ones([1])
>>> print a
[ 0. ]
>>> print b
[ 1. ]</span> 

二维情况：

<span style="font-size:14px;">>>> a = np.array([[2,2,2],[3,3,3]])
>>> print a
[[ 2 2 2 ]
 [ 3 3 3 ]]
>>> a.shape
(2, 3)</span> 

二维情况中array创建的可以看做二维数组（矩阵），注意创建时需要使用2个[ ]，输出a的shape显示的（2,3）相当于有2行，每行3个数，使用np.ones创建结果如下：

<span style="font-size:14px;">>>> a = np.ones([2, 3]) >>> print a [[ 1. 1. 1. ] [ 1. 1. 1. ]]</span>

多维情况：

多维情况统一使用np.ones进行创建，先看三维情况：

<span style="font-size:14px;">>>> 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.]]]</span> 

从上面的代码可以看出，三维情况创建时后面2个参数可以看做是创建二维数组，第1个参数看做创建的二维数组的个数，所以创建时输入的参数为2,3,2时，就相当于创建了2个3行2列的二维数组，如下：

<span style="font-size:14px;">>>> a = np.ones([2,3,2])
>>> print a
[[[ 1. 1.]
 [ 1. 1.]
 [ 1. 1.]] 

 [[ 1. 1.]
 [ 1. 1.]
 [ 1. 1.]]]</span> 

然后看四维情况：

<span style="font-size:14px;">>>> 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.]]]]</span> 

从上面代码可以看出：四维时将第一个参数设置为2和第二个参数设置为2时，输出结果中间的空行数量不同，我把它理解成先创建1行1列的二维数组[[ 1. ]]，然后按照第2个参数打包这样的二维数组，如果第二个参数是2，则打包2个2维数组变成[[[ 1. ]]，[[ 1. ]]]（小包），然后按照第1个参数再打包这样的包，如果第一个参数是2，则变成[[[[ 1. ]], [[ 1. ]]], [[[ 1. ]], [[ 1. ]]]]（大包），就是下面的结果：

<span style="font-size:14px;">>>> a = np.ones([2,2,1,1])
>>> print a
[[[[ 1.]] 

 [[ 1.]]] 

 [[[ 1.]] 

 [[ 1.]]]]</span> 

四维以上的结果也是这么理解~输出中区分参数用空行~

然后来看一下特定输出：

>>> 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~

然后print m[1,：,：,：]，：代表默认值（就是一开始你输入时指定的值），这句代码相当于输出2个包中的第1个包（从0开始计数），这个包里面有3个小包，小包里面是2*3的二维数组，所以结果就是上面的~

然后print m[：,1,：,：]，相当于输出2个大包，每个大包输出第1个小包，小包里面是2*3的二维数组

然后print m[：,：,1,：]，相当于输出2个大包，每个大包输出3个小包，小包里面是二维数组的第1行

然后print m[：,：,：,1]，相当于输出2个大包，每个大包输出3个小包，小包里面是1*2的二维数组

其他结果可以自己去试试~

总结：采用np.array()创建时需要几个维度就要用几个[ ]括起来，这种创建方式要给定数据；采用np.ones()或np.zeros()创建分别产生全1或全0的数据，用a.shape会输出你创建时的输入，创建时输入了几个维度输出就会用几个[ ]括起来，shape的返回值是一个元组，里面每个数字表示每一维的长度

以上这篇对numpy中shape的深入理解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。