numpy中 array数组的shape属性

numpy.array 的shape属性理解

　　在码最邻近算法(K-Nearest Neighbor)的过程中，发现示例使用了numpy的array数组管理，其中关于array数组的shape(状态)属性，下面是对应的理解

 

numpy 创建的数组都有一个shape属性，它是一个元组，返回各个维度的维数。有时候我们可能需要知道某一维的特定维数。

二维情况

>>> import numpy as np
>>> y = np.array([[1,2,3],[4,5,6]])
>>> print(y)
[[1 2 3]
 [4 5 6]]
>>> print(y.shape) # 展示行数，列数
(2, 3)
>>> print(y.shape[0]) # 展示行数
2
>>> print(y.shape[1]) # 展示列数
3

可以看到y是一个两行三列的二维数组，y.shape[0]代表行数，y.shape[1]代表列数。

三维情况

>>> x  = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[0,1,2]],[[3,4,5],[6,7,8]]])
>>>> print(x)
[[[1 2 3]
  [4 5 6]]

 [[7 8 9]
  [0 1 2]]

 [[3 4 5]
  [6 7 8]]]
>>> print(x.shape) #展示 降维度出来的低维度个数，行数，列数
(3, 2, 3)
>>> print(x.shape[0]) # 降为出来的低维度个数
3
>>> print(x.shape[1]) # 每个低维度数组的行数
2
>>> print(x.shape[2]) # 每个低维度数组的列数
3

可以看到x是一个包含了3个两行三列的二维数组的三维数组，x.shape[0]代表包含二维数组的个数，x.shape[1]表示二维数组的行数，x.shape[2]表示二维数组的列数。

总结

可以看到，shape[0]表示最外围的数组的维数，shape[1]表示次外围的数组的维数，数字不断增大，维数由外到内。