python 里 np.array 的shape ( ,)与( ,1)的区别

最新推荐文章于 2025-07-01 23:53:24 发布
最新推荐文章于 2025-07-01 23:53:24 发布
阅读量2w 收藏 41
点赞数 34
CC 4.0 BY-SA版权
文章标签： python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_39449570/article/details/78645618
本文通过几个具体的例子详细解释了如何使用Python的NumPy库创建不同维度和形状的数组，并阐述了这些数组的shape属性所代表的具体含义。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

>>> import numpy as np
>>> x = np.array([1, 2])
>>> y = np.array([[1],[2]])
>>> z = np.array([[1,2]])
>>> print(x.shape)
(2,)
>>> print(y.shape)
(2, 1)
>>> print(z.shape)
(1, 2)

x[1,2]的shape值(2,)，意思是一维数组，数组中有2个元素

y[[1],[2]]的shape值是(2,1)，意思是一个二维数组，每行有1个元素

z [[1,2]]的shape值是（1，2），意思是一个二维数组，每行有2个元素

叫我小红
关注
np.ndarray和np.array区别；MXNet的 mx.array 类型是什么；NDArray优化了什么：并行计算优化
ZJQ的博客
09-01 566
如果使用传统的密集格式（如NumPy的ndarray）来存储这些梯度，将会占用大量的内存，并导致计算效率低下。MXNet是一个开源的深度学习框架，它提供了多种数据结构和操作来支持高效的数值计算和深度学习模型的训练。总之，MXNet的NDArray通过异步计算、内存优化、高效的数学和线性代数运算、稀疏数据支持以及自动化求导等优化措施，为深度学习模型的训练和数值计算提供了强大的支持。在表面上看似不同，但实际上它们之间有着紧密的联系，并且在大多数情况下可以互换使用，但它们的本质和用途略有不同。
python_numpy中，shape=(1,4)和(4,)的区别
wander_ing的博客
04-26 3253
  按照惯性思维，似乎两个形状指的都是1行4列，哪里有什么不一样嘛，怀疑我的高数吗，没下过100分呢。   尽管嘴上说这不可能，心里还是不服气，还是要试一下吧(-) import numpy as np arr1=np.arange(4).reshape(4,) arr2=np.arange(4).reshape(1,4) print('arr1:\n',arr1) print('arr2:\n'...
【知识碎片】python中shape[0]与shape[1]
Wangziv_hahaha的博客
11-23 3292
import numpy as np k = np.matrix([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(np.shape(k)) # 输出（3，4）表示矩阵为3行4列 print(k.shape[0]) # shape[0]输出3，为矩阵的行数 print(k.shape[1]) # 同理shape[1]输出列数 对于二维的数组来说：shape[0
shape=(1) OR shape=()
liugan528的博客
11-11 765
TensorFlow中标量和数组的区别： import tensorflow as tf a = tf.get_variable('a',shape=(1),dtype=tf.int32,initializer=tf.constant_initializer(0),trainable=False) b = tf.get_variable('b',shape=(1,),dtype=tf.int32,initializer=tf.constant_initializer(0),trainable=False)
NumPy-核心函数np.array()深入解析
最新发布
07-01 1111
NumPy为Python提供了高效的多维数组对象以及一系列用于处理这些数组的工具，极大地简化了数值计算的过程。而np.array()作为NumPy库的核心函数之一，是创建和操作数组的基础
浅谈python中np.array的shape( ,)与( ,1)的区别
12-23
如下所示： >>> import numpy as np >>> x = np.array([1, 2]) >>> y = np.array([[1],[2]]) >>> z = np.array([[1,2]]) >>> print(x.shape) (2,) >>> print(y.shape) (2, 1) >>> print(z.shape) (1, 2) x[1,2]的shape值(2,)，意思是一维数组，数组中有2个元素 y[[1],[2]]的shape值是(2,1)，意思是一个二维数组，每行有1个元素 z [[1,2]]的shape值是（1，2），意思是一个二维数组，每行有2个
python 中shape 1，n 与1的区别
studyvcmfc的专栏
03-09 561
https://blog.csdn.net/weixin_44340030/article/details/88250184
Python中的shape[0]、shape[1]和shape[-1]分别是什么意思（附代码）
热门推荐
wzk4869的博客
07-27 9万+
Python中的shape[0]、shape[1]和shape[-1]分别是什么意思（附代码）
python的np.array()函数
changzi990的博客
06-13 4121
{'quicksort', 'mergesort', 'heapsort', 'stable'}（2）np.random.randint(4, 9, size=(3, 5)) 生成一个三行五列的正数矩阵。data={'小写':['a','b','c'],'大写':['A','B','C']}#输出： [1 4 5] （获取数组中(0,0)，(1,1)和(2,0)位置处的元素）（start:起始数字 end:结束 Num:要生成的样本数）out:用于存储输出的数组。
python np matrix_python——np.array，np.matrix，np.mat的区别及乘法的区别
weixin_39895881的博客
12-15 1575
【1】np.array，np.matrix，np.mat的区别(1)数据类型不同np.array产生numpy.ndarray类型的数据，不能进行矩阵意义上的乘法。np.matrix，np.mat产生numpy.matrix类型数据，可以进行矩阵相乘见下例import numpy as npa = np.mat('1 2 3;3 4 5;1 2 3')b = np.mat([[1, 2], [3,...
【Numpy】shape
lynn_flame的博客
08-03 220
>>> import numpy as np >>> b = np.array(np.arange(10)) >>> b [0 1 2 3 4 5 6 7 8 9] >>> b.shape (10,) #对b的维度进行修整，若要展成一列的数据，则有 >>> b.shape = -1,1 >>> b.shape (10, 1) >>> b [[0] [1] [2] [3]
动态与静态Shape
yuanyuan6780的博客
12-21 1780
理解Shape动态与静态Shapepython 里 np.array 的shape (2,)与(2,1)的区别 动态与静态Shape // An highlighted block a = tf.placeholder(tf.float32,[None,128]) static_shape = a.shape.as_list() print static_shape 执行结果为：[None, 1...
第二章总结
qq_61377573的博客
03-06 764
第二章、科学计算库numpy NumPy数组对象 NumPy中最重要的一个特点就是其N维数组对象，即ndarray（array）对象，该对象可以执行一些科学计算。 array.shape:这是一个整数的元组，表示每个维度上数组的大小。例如一个n行和m列的数组，他的shape属性为（n，m）。 array.dtype:描述数组中元素类型的对象，例如numpy.int32、numpy.float64。 创建NumPy数组 #创建一维数组 import numpy as np data1=n.
Python中shape简易用法
jobschu
05-15 9万+
通过安装导入numpy库，矩阵（ndarray）的shape属性可以获取矩阵的形状（例如二维数组的行列），获取的结果是一个元组，因此相关代码如下：import numpy as np x = np.array([[1,2,5],[2,3,5],[3,4,5],[2,3,6]]) #输出数组的行和列数 print x.shape #结果： (4, 3) #只输出行数 print x.shape[0...
Python里对于shape()的理解
weixin_45769849的博客
02-18 1万+
Python里对于shape()的理解 （1）shape（）含义 在笔者debug深度学习相关代码的时候，很容易出现shape()这样形式的东西，用来告知输出数据的形式，由于shape（）里出现的数字数量不同，还经常有shape（？，64，512）这样的数据存在，因此上网查了一些信息，作出比较通俗易懂的解释： import numpy as np a = np.array([[[1,2,3],[4,5,6]]]) print(a.shape) (1, 2, 3) 表示该数组有1个，是2行3列的数组。每一
shape=(2,) (2,1) (1,2) 的区别
weixin_30820077的博客
06-27 3443
1. 一般的数组如：[22，33] shape是（2，）：他表示他是一个一维数组，数组中有两个元素； 注意他和shape（2，1）的区别，他两个不一样。 2. [[22],[33]] 他的shape是(2,1),表示二维数组，每行有一个元素 3. [[22,33]] shape是（1，2） 他表示一个二维数组，每行有两个元素 转载于:https://www.cnblogs.com/Bell...
python numpy.shape 和 numpy.reshape函数
u012005313的专栏
10-24 7万+
导入numpy模块 from numpy import * import numpy as np ##################################################### numpy.shape： help(shape) 输入参数：类似数组（比如列表，元组）等，或是数组 返回：一个整型数字的元组，元组中的每个元素表示相应的数组每一维的长
python shape()函数和format()函数用法
kalp_yp
10-14 1万+
shape() shape():读取矩阵长度，如shape[0]是读取矩阵第一维的长度。 1.参数是一个数时，返回为空：     2.参数是一维矩阵： 3.参数是二维矩阵：  4.直接用shape()可快速读取矩阵的形状，shape[0]读取矩阵第一维的长度  5.但某维度长度不一致时，读取所有维度时则不能读出长短不一致的维度  format() 格式化字符...
python数据分析基础知识—shape()函数的使用
sodaloveer的博客
06-16 2万+
python数据分析 shape()函数
python将np.array补全到指定列
05-25
可以使用numpy库中的resize函数来将一个numpy数组补全到指定列数。具体实现如下： ```python import numpy as np # 假设原始数组为arr，需要补全到5列 arr = np.array([[1, 2], [3, 4], [5, 6]]) # 使用resize函数进行补全 new_arr = np.resize(arr, (arr.shape[0], 5)) # 输出结果 print(new_arr) ``` 输出结果为： ``` array([[1, 2, 1, 2, 1], [3, 4, 3, 4, 3], [5, 6, 5, 6, 5]]) ``` 可以看到，原始数组的每一行都被复制了若干遍，使得新数组的列数达到了指定的值。如果原始数组的列数已经大于或等于指定的列数，那么resize函数就不会进行补全，而是直接返回原始数组。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值