ndarrayNumPy中an的解剖结构看起来像下面的红色立方体：（来源：康奈尔大学物理系）
离开2D空间并输入3D或更高维度的空间后，行和列的概念就不再有意义。但是您仍然可以直观地了解3D阵列。例如，考虑您的示例：
In [41]: bOut[41]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])In [42]: b.shapeOut[42]: (2, 2, 3)
这里的形状
b是
(2, 2, 3)。您可以考虑一下，我们将 两个
(2x3)矩阵堆叠在一起形成一个3D阵列。要访问第一个矩阵，您可以
b像那样索引到数组中
b[0]，要访问第二个矩阵，您可以
b像那样索引到数组中
b[1]。
# gives you the 2D array (i.e. matrix) at position `0`In [43]: b[0]Out[43]: array([[1, 2, 3], [4, 5, 6]])# gives you the 2D array (i.e. matrix) at position 1In [44]: b[1]Out[44]: array([[ 7, 8, 9], [10, 11, 12]])
但是，如果您进入4D或更高的空间，则很难从阵列本身中了解任何意义，因为我们人类很难可视化4D和更大的尺寸。因此，宁愿只考虑
ndarray.shape属性并使用它。
有关如何使用（嵌套）列表构建更高维数组的更多信息：
对于一维数组，数组构造函数需要一个序列（
tuple, list等），但通常
list使用该序列。
In [51]: oneD = np.array([1, 2, 3,]) In [52]: oneD.shapeOut[52]: (3,)
对于2D数组，它
list of lists可以是，也可以是
tuple of listsor
tuple of tuples等等：
In [53]: twoD = np.array([[1, 2, 3], [4, 5, 6]])In [54]: twoD.shapeOut[54]: (2, 3)
对于3D阵列，它是
list of lists of lists：
In [55]: threeD = np.array([[[1, 2, 3], [2, 3, 4]], [[5, 6, 7], [6, 7, 8]]])In [56]: threeD.shapeOut[56]: (2, 2, 3)
PS在 内部，将
ndarray其存储在存储块中，如下图所示。（来源： 想法 ）
