was bedeutet ndarray numpy Form tun?

Habe ich eine einfache Frage über die .Form-Funktion, die verwirrt mich sehr. 

a = np.array([1, 2, 3])   # Create a rank 1 array
print(type(a))            # Prints "<class 'numpy.ndarray'>"
print(a.shape)            # Prints "(3,)"

b = np.array([[1,2,3],[4,5,6]])    # Create a rank 2 array
print(b.shape)                     # Prints "(2, 3)"

Was hat der .Form genau tun? zählen Sie, wie viele Zeilen, wie viele Spalten,
dann die eine.Form angenommen werden, (1,3), eine Zeile, drei Spalten, richtig?

InformationsquelleAutor Pumpkin C | 2017-11-30
  1. 36

    yourarray.shape oder np.shape() oder np.ma.Form() gibt die Form Ihrer ndarray als Tupel; Und Sie können die Dimensionen der Arrays mit yourarray.ndim oder np.ndim().

    Für eine 1D array, die Form wäre (n,) wo n ist die Anzahl der Elemente im array.

    Für eine 2D array, die Form wäre (n,m) wo n ist die Anzahl der Zeilen und m ist die Anzahl der Spalten im array.

    Bitte beachten Sie, dass in 1D Fall würde die Form einfach (n, ) anstelle von dem, was Sie sagte, als entweder (1, n) oder (n, 1) für Zeile und Spalte Vektoren beziehungsweise.

    Diese Folgen der Konvention, dass:

    Für 1D-array zurückgeben und Form Tupel mit nur 1 element (d.h. (n,))

    Für 2D-array zurückgeben und Form Tupel mit nur 2 Elemente (z.B. (n,m))

    Für 3D-array zurückgeben und Form Tupel mit nur 3 Elemente (z.B. (n,m,k))

    Für 4D-array zurückgeben und Form Tupel mit nur 4 Elemente (z.B. (n,m,k,j))

    und so weiter.

    Bitte auch, siehe das Beispiel unten, um zu sehen, wie np.Form() oder np.ma.Form() verhält sich mit 1D arrays und skalaren:

    # sample array
In [10]: u = np.arange(10)

# get its shape
In [11]: np.shape(u)    # u.shape
Out[11]: (10,)

# get array dimension using `np.ndim`
In [12]: np.ndim(u)
Out[12]: 1

In [13]: np.shape(np.mean(u))
Out[13]: ()       # empty tuple (to indicate that a scalar is a 0D array).

# check using `numpy.ndim`
In [14]: np.ndim(np.mean(u))
Out[14]: 0

    P. S.: So, die Form Tupel ist konsistente mit unserem Verständnis der Dimensionen von Raum, zumindest mathematisch.

    • Danke für die Beispiele!!!
    • Ich denke, deine Erklärung wäre noch vervollständigen, indem Sie hinzufügen, die in der Dokumentation für .shape und wahrscheinlich auch .ndim auch: docs.scipy.org/doc/numpy-1.13.0/reference/generated/...
    • "Sie können die Dimensionen der Arrays mit yourarray.ndim oder np.ndim()." --- Ich habe es versucht und es gibt nur eine der Abmessungen, nicht die Abmessungen.
    InformationsquelleAutor kmario23
  2. 3

    Im Gegensatz zu ihm ist die meisten populären kommerziellen Konkurrenten, numpy so ziemlich von Anfang an über die "beliebig-dimensionale" arrays, weshalb der core-Klasse ndarray. Sie können überprüfen, dass die Dimensionalität der ein numpy-array mit Hilfe der .ndim Eigenschaft. Die .shape Eigenschaft ist ein Tupel der Länge .ndim mit der Länge der einzelnen Dimensionen. Derzeit numpy kann mit bis zu 32 Abmessungen:

    a = np.ones(32*(1,))
a
# array([[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[ 1.]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]])
a.shape
# (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)
a.ndim
# 32

    Wenn ein numpy-array zufällig 2d wie dein zweites Beispiel, dann ist es angemessen zu denken, es in Bezug auf Zeilen und Spalten. Aber ein 1d-array in numpy ist wirklich 1d, keine Zeilen oder Spalten.

    Wenn Sie wollen, so etwas wie eine Zeile oder Spalte vector-Sie können dies erreichen, indem erstellen ein 2d-array mit einer seiner Dimensionen gleich 1.

    a = np.array([[1,2,3]]) # a 'row vector'
b = np.array([[1],[2],[3]]) # a 'column vector'
# or if you don't want to type so many brackets:
b = np.array([[1,2,3]]).T
    InformationsquelleAutor Paul Panzer
Schreibe einen Kommentar