03NumPy学习——数组的属性

NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

ndarray.ndim
ndarray.ndim 用于返回数组维数的数量，等于秩。

import numpy as np 
 
a = np.arange(24)
# a 现只有一个维度  
print (a.ndim)
# 现在调整其大小
b = a.reshape(2, 4, 3) 
# b 现在拥有三个维度
print (b.ndim) 

结果：
1
3

ndarray.shape
ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。

import numpy as np  
 
a = np.array([[1, 2, 3], [4, 5, 6]])  
print (a.shape) 

结果：
(2, 3)

ndarray.shape 也可以用于调整数组大小，它会改变原来的数组。

import numpy as np 
 
a = np.array([[1, 2, 3], [4, 5, 6]]) 
a.shape = (3, 2)  
print (a)

结果：
[[1 2]
 [3 4]
 [5 6]]

NumPy 也提供了 reshape 函数来调整数组大小，它会生成一个新的数组，而且不会改变原来的数组。

import numpy as np 
 
a = np.array([[1, 2, 3], [4, 5, 6]]) 
b = a.reshape(3, 2)
print(a)
print('\n')  
print (b)

结果：
[[1 2 3]
 [4 5 6]]

[[1 2]
 [3 4]
 [5 6]]

ndarray.size
ndarray.size 返回数组元素的总个数，相当于ndarray.shape中n*m的值。

import numpy as np 
 
a = np.array([[1, 2, 3], [4, 5, 6]]) 
print(a.size)

结果：
6

ndarray.dtype
ndarray.dtype 返回ndarray对象的元素类型。

import numpy as np 
 
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([1., 2., 3.])
c = np.array([True, False])
print(a.dtype)
print(b.dtype)
print(c.dtype)

结果：
int32
float64
bool

ndarray.itemsize
ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组 itemsiz 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。

import numpy as np 
 
# 数组的 dtype 为 int8（一个字节）  
x = np.array([1,2,3,4,5], dtype = np.int8)  
print (x.itemsize)
 
# 数组的 dtype 现在为 float64（八个字节） 
y = np.array([1,2,3,4,5], dtype = np.float64)  
print (y.itemsize)

结果：
1
8

ndarray.flags
ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

属性	描述
C_CONTIGUOUS(C）	数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)	数据是在一个单一的Fortran风格的连续段中
OWNDATA (O)	数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W)	数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED (A)	数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)	这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

import numpy as np 
 
x = np.array([1,2,3,4,5])  
print (x.flags)

结果：
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

ndarray.real
ndarray.real 返回元素的实部的一个列表

import numpy as np 
 
x = np.array([1 + 3j, 2, 3 + 5j, 4 + 1j, 5 + 9j])  
print (x.real)

结果：
[1. 2. 3. 4. 5.]

ndarray.imag
ndarray.imag 返回元素的虚部的一个列表

import numpy as np 
 
x = np.array([1 + 3j, 2, 3 + 5j, 4 + 1j, 5 + 9j])  
print (x.imag)

结果：
[3. 0. 5. 1. 9.]