数组中的shape的用法,有一个我们经常迷糊的用法,就是np.shape[0],np.shape[1],到底是什么,下面我们来举例讲解。
首先:
np.shape【0】:为第一维度的长度
np.shape【1】:为第二维度的长度
np.shape【2】:为第三维度的长度
......以此类推
例1:
b = [1,2,3]
a = np.array(b)
print(a)
a.shape[0]
输出为:3(个元素)
例2:
b = [[1,2,3],[4,5,6]]
a = np.array(b)
print(a)
a.shape[0]
输出为:2(个元素)
a.shape[1]
输出为:3(个元素)
例3:
b = [[[1,2,3],[4,5,6]]]
a = np.array(b)
print(a)
a.shape[0]为1(个元素)
a.shape[1]为2(个元素)
a.shape[2]为3(个元素)
这篇博客详细介绍了numpy数组的shape属性使用,包括np.shape[0]、np.shape[1]等表示的含义。通过实例解析,展示了如何通过shape属性获取数组的维度长度,例如一维数组的元素个数,二维数组的行数和列数,以及多维数组的各维度大小。这对于理解和操作numpy数组至关重要。
10万+

被折叠的 条评论
为什么被折叠?



