NumPy 数组属性

    NumPy 数组属性说明和实例

NumPy 数组的维数称为秩(rank)，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
NumPy中，每一个线性的数组称为是一个轴(axis)，axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。
所以一维数组就是 NumPy 中的轴(axis)，第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

NumPy 的数组中比较重要 ndarray 对象属性有

numpy 支持的数据类型比 Python内置数据类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。

ndarray.ndim - 秩，即轴的数量或维度的数量。ndarray.shape - 数组的维度，对于矩阵，n 行 m 列。ndarray.size - 数组元素的总个数，相当于 .shape 中 n*m 的值。ndarray.dtype - ndarray 对象的元素类型。ndarray.itemsize - ndarray 对象中每个元素的大小，以字节为单位。ndarray.flags - ndarray 对象的内存信息。ndarray.real - ndarray元素的实部。ndarray.imag - ndarray 元素的虚部。ndarray.data - 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

1、ndarray.ndim

ndarray.ndim 用于返回数组的维数，等于秩。

>>> import numpy as np
>>> a = np.arange(24)
>>> print (a.ndim) 
1 # a 现只有一个维度
>>> b = a.reshape(2,4,3)
>>> print (b.ndim)
3 # b 现在拥有三个维度

2、ndarray.shape

ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。
ndarray.shape 也可以用于调整数组大小。

>>> import numpy as np
>>> a = np.array([[1,2,3,4,5,6],[4,5,6,7,8,9]])
>>> print(a.shape)
(2, 6)
>>> a.shape = (6,2)
>>> print(a)
[[1 2]
 [3 4]
 [5 6]
 [4 5]
 [6 7]
 [8 9]]

同时，在NumPy中也提供了 reshape 函数来调整数组大小，具体实例如下：

>>> import numpy as np
>>> a = np.array([[1,2,3,4,5,6],[4,5,6,7,8,9]])
>>> b = a.reshape(6,2)
>>> print(b)
[[1 2]
 [3 4]
 [5 6]
 [4 5]
 [6 7]
 [8 9]]

3、ndarray.size

ndarray.size是数组中元素的数量。等于np.prod(a.shape)，即数组尺寸的乘积。
a.size返回一个标准的任意精度Python整数。对于其他获得相同值的方法，情况可能并非如此（如建议的方法np.prod(a.shape)，该方法返回的一个实例np.int_），并且如果该值在可能溢出固定大小的整数类型的计算中进一步使用，则可能是相关的。

>>> import numpy as np
>>> x = np.zeros((3, 5, 2), dtype=np.complex128)
>>> x.size
30
>>> np.prod(x.shape)
30

4、ndarray.dtype

>>> import numpy as np
>>> x
array([[0, 1],
       [2, 3]])
>>> x.dtype
dtype('int32')
>>> type(x.dtype)

5、ndarray.itemsize

ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组 itemsiz 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。

>>> import numpy as np
>>> x = np.array([1,2,3,4,5], dtype = np.int8)
>>> print (x.itemsize)
1
>>> y = np.array([1,2,3,4,5], dtype = np.float64)
>>> print (y.itemsize)
8

6、ndarray.flags

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

C_CONTIGUOUS (C) - 数据是在一个单一的C风格的连续段中。F_CONTIGUOUS (F) - 数据是在一个单一的Fortran风格的连续段中。OWNDATA (O) - 数组拥有它所使用的内存或从另一个对象中借用它。WRITEABLE (W) - 数据区域可以被写入，将该值设置为 False，则数据为只读。ALIGNED (A) - 数据和所有元素都适当地对齐到硬件上。UPDATEIFCOPY (U) - 这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新。

>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> print(a.flags)
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

7、ndarray.real和x.imag

>>> import numpy as np
>>> x = np.sqrt([1+0j, 0+1j])
>>> x.real
array([1. , 0.70710678])
>>> x.real.dtype
dtype('float64')
>>> x.imag
array([0. , 0.70710678])
>>> x.imag.dtype
dtype('float64')