浅谈np.ndim与np.shape的一个小例子

• 前言
• 一维数组
• • • ndim：
    • shape：
• 多维数组
• • 一个小思考

在构建神经网络里对一个小例子产生了兴趣

我们简单的写个例子

import numpy as np

A =  np.array([1,2,3,4])

print(np.ndim(A))
# 1

print(A.shape)
# (4,)

这里对于ndim与shape分别做个解释：

即数组的维数

即数组的形状（维度），返回类型元组

这里我们注意到此时的A的ndim返回值是1，代表着1维

A的shape返回值是（4，）

那么问题来了：明明我们的A是[1,2,3,4]，为什么返回值是（4，）？

这里我们依然要从官方文档解答

Returns:
The elements of the shape tuple give the lengths of the corresponding array dimensions.

翻译过来就是：形状元组的元素给出了相应数组维度的长度。

重点在维度的长度这块

那么一维的长度就和数组里的元素个数有关系，所以是4

可是那为什么是（4，）呢？

因为一维数组的情况下也要返回和多维数组的情况下一致的结果

例如，二维数组时返回的是元组（4,3），三维数组时返回的是元组（4，3，2）

因此一位数字时也同样以元组的形式返回结果

这里我们以二维数组为例

import numpy as np

A =  np.array([[1,2,3,4],[5,6,7,8]])

print(np.ndim(A))
# 2

print(A.shape)
# (2,4)

该情况下ndim就是数组的维度：2

shape就是对应着2行，4列：（2,4）

如果把A换成了

A =  np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

那么A的ndim是多少呢？

还是2

因为不管A是几行几列

始终是属于2维的范畴

只有A变成了三维

才满足A.ndim=3