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。
numpy,shape
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com