numpy的shape用法（转http://blog.youkuaiyun.com/by_study/article/details/67633593）

https://www.bbsmax.com/A/1O5E78b7z7/

https://www.cnblogs.com/lindaxin/p/8074921.html

 

http://blog.youkuaiyun.com/by_study/article/details/67633593

环境：Windows， Python3.5

 

一维情况：

 

1 2 3 4 5 6 7 8

>>>> import numpy as np  >>> a = np.array([2,3,33])  >>> a  array([ 2 3 33 ])  >>> print(a)  [ 2 3 33 ]  >>> a.shape  (3, )<br>>>> a.shape[0]  <br>3<br>>>> a.shape[1]  <br>Traceback (most recent call last):<br>  File "<stdin>", line 1, in <module><br>IndexError: tuple index out of range

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：

1 2 3 4 5 6

>>>> a = np.zeros([1])  b = np.ones([1]) >>> print(a)  [ 0. ]  >>> print(b)  [ 1. ]

 

二维情况：

 

1 2 3 4 5 6 7 8 9 10 11 12

>>> a = np.array([[2,3,33],[2,1,1]]) >>> a array([[ 2,  3, 33],        [ 2,  1,  1]]) >>> a.shape[0] 2 >>> a.shape[1] 3 >>> a.shape[2] Traceback (most recent call last):   File "<stdin>", line 1, in <module> IndexError: tuple index out of range

 

 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：

 

1 2 3 4

>>> a = np.ones([2, 3])  >>> a array([[ 1.,  1.,  1.],        [ 1.,  1.,  1.]])

 

 

多维情况：

多维情况统一使用np.ones进行创建，先看三维情况：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

>>> a = np.ones([1,1,1])  >>> a array([[[ 1.]]]) >>> a = np.ones([1,1,2])  >>> a array([[[ 1.,  1.]]]) >>> a = np.ones([1,2,1])  >>> a array([[[ 1.],         [ 1.]]]) >>> a = np.ones([2,1,1])  >>> a array([[[ 1.]],          [[ 1.]]])

 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：

 

1 2 3 4 5 6 7 8 9

>>> a = np.ones([2,3,2])  >>> a array([[[ 1.,  1.],         [ 1.,  1.],         [ 1.,  1.]],          [[ 1.,  1.],         [ 1.,  1.],         [ 1.,  1.]]])

 

 然后看四维情况：

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

>>> a = np.ones([1,1,1,1])  >>> a array([[[[ 1.]]]]) >>> a = np.ones([1,1,1,2])  >>> a array([[[[ 1.,  1.]]]]) >>> np.ones([1,1,2,1])  array([[[[ 1.],          [ 1.]]]]) >>> np.ones([1,2,1,1])  array([[[[ 1.]],           [[ 1.]]]]) >>> np.ones([2,1,1,1])  array([[[[ 1.]]],            [[[ 1.]]]])

 

 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：

 

1 2 3 4 5 6 7 8 9

>>> np.ones([2,2,1,1]) array([[[[ 1.]],           [[ 1.]]],            [[[ 1.]],           [[ 1.]]]])

 

 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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51

>>> m = np.ones([2,3,2,3])  >>> m array([[[[ 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.]]]]) >>> m[1,:,:,:]  array([[[ 1.,  1.,  1.],         [ 1.,  1.,  1.]],          [[ 1.,  1.,  1.],         [ 1.,  1.,  1.]],          [[ 1.,  1.,  1.],         [ 1.,  1.,  1.]]]) >>> m[:,1,:,:]  array([[[ 1.,  1.,  1.],         [ 1.,  1.,  1.]],          [[ 1.,  1.,  1.],         [ 1.,  1.,  1.]]]) >>> m[:,:,1,:]  array([[[ 1.,  1.,  1.],         [ 1.,  1.,  1.],         [ 1.,  1.,  1.]],          [[ 1.,  1.,  1.],         [ 1.,  1.,  1.],         [ 1.,  1.,  1.]]]) >>> m[:,:,:,1]  array([[[ 1.,  1.],         [ 1.,  1.],         [ 1.,  1.]],          [[ 1.,  1.],         [ 1.,  1.],         [ 1.,  1.]]])

 

然后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

np.shape[]是对应到某一维上输出指定维的长度