2.2 ndarray 的属性

2.2 ndarray 的属性

NumPy ndarray 的属性详解

2.2.1 ndim：维度数量

ndim 属性返回数组的维度数量（轴的数量）。一维数组的 ndim 为 1，二维数组的 ndim 为 2，以此类推。

import numpy as np
# 一维数组
arr1d = np.array([1, 2, 3])
print(f"arr1d.ndim: {arr1d.ndim}")  # 输出: arr1d.ndim: 1
# 二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f"arr2d.ndim: {arr2d.ndim}")  # 输出: arr2d.ndim: 2
# 三维数组
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"arr3d.ndim: {arr3d.ndim}")  # 输出: arr3d.ndim: 3
​

图示：

2.2.2 shape：维度大小

shape 属性返回一个元组，表示数组在每个维度上的大小。例如，一个 (3, 4) 的数组有 3 行和 4 列。

import numpy as np
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f"arr2d.shape: {arr2d.shape}")  # 输出: arr2d.shape: (2, 3)
arr1d = np.array([1, 2, 3, 4, 5])
print(f"arr1d.shape: {arr1d.shape}")  # 输出: arr1d.shape: (5,)
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"arr3d.shape: {arr3d.shape}")  # 输出: arr3d.shape: (2, 2, 2)
​

图示：

2.2.3 size：元素总数

size 属性返回数组中元素的总数。它等于 shape 中所有元素的乘积。

import numpy as np
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f"arr2d.size: {arr2d.size}")  # 输出: arr2d.size: 6
arr1d = np.array([1, 2, 3, 4, 5])
print(f"arr1d.size: {arr1d.size}")  # 输出: arr1d.size: 5
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"arr3d.size: {arr3d.size}")  # 输出: arr3d.size: 8
​

图示：

2.2.4 dtype：数据类型

dtype 属性返回数组中元素的数据类型。NumPy 数组的所有元素必须是相同类型的。常见的数据类型包括 int32、float64、bool 等。

import numpy as np
arr_int = np.array([1, 2, 3])
print(f"arr_int.dtype: {arr_int.dtype}")  # 输出: arr_int.dtype: int64 (or int32, depending on system)
arr_float = np.array([1.0, 2.0, 3.0])
print(f"arr_float.dtype: {arr_float.dtype}")  # 输出: arr_float.dtype: float64
arr_bool = np.array([True, False, True])
print(f"arr_bool.dtype: {arr_bool.dtype}")  # 输出: arr_bool.dtype: bool
arr_str = np.array(['apple', 'banana', 'cherry'])
print(f"arr_str.dtype: {arr_str.dtype}") # 输出: arr_str.dtype: <U6
​

图示：

2.2.5 itemsize：元素字节大小

itemsize 属性返回数组中每个元素的字节大小。例如，int32 类型的元素的 itemsize 为 4 字节。

import numpy as np
arr_int = np.array([1, 2, 3], dtype=np.int32)
print(f"arr_int.itemsize: {arr_int.itemsize}")  # 输出: arr_int.itemsize: 4
arr_float = np.array([1.0, 2.0, 3.0], dtype=np.float64)
print(f"arr_float.itemsize: {arr_float.itemsize}")  # 输出: arr_float.itemsize: 8
arr_bool = np.array([True, False, True])
print(f"arr_bool.itemsize: {arr_bool.itemsize}")  # 输出: arr_bool.itemsize: 1
​

图示：

2.2.6 data：数据缓冲区

data 属性返回一个指向数组数据起始位置的缓冲区对象。通常不需要直接访问此属性，因为它主要用于 NumPy 内部。

import numpy as np
arr = np.array([1, 2, 3])
print(f"arr.data: {arr.data}")  # 输出: <memory at 0x...> (内存地址)
​

图示：

2.2.7 nbytes：总字节大小

nbytes 属性返回数组中所有元素占用的总字节数。它等于 itemsize * size。

import numpy as np
arr_int = np.array([1, 2, 3], dtype=np.int32)
print(f"arr_int.nbytes: {arr_int.nbytes}")  # 输出: arr_int.nbytes: 12 (3 * 4)
arr_float = np.array([1.0, 2.0, 3.0], dtype=np.float64)
print(f"arr_float.nbytes: {arr_float.nbytes}")  # 输出: arr_float.nbytes: 24 (3 * 8)
​

图示：

2.2.8 strides：步长

strides 属性返回一个元组，表示在每个维度上移动到下一个元素所需的字节数。对于二维数组，第一个值表示在行上移动到下一个元素所需的字节数，第二个值表示在列上移动到下一个元素所需的字节数。

import numpy as np
arr2d = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.int32)
print(f"arr2d.strides: {arr2d.strides}")  # 输出: arr2d.strides: (12, 4)  (假设是连续内存)
arr1d = np.array([1,2,3,4,5], dtype=np.int32)
print(f"arr1d.strides: {arr1d.strides}") # 输出: arr1d.strides: (4,)
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]], dtype=np.int32)
print(f"arr3d.strides: {arr3d.strides}") # 输出: arr3d.strides: (16, 8, 4)
​

解释：

• 对于二维数组 arr2d，strides 是 (12, 4)。这意味着：

  • 要从一个元素移动到同一列的下一行，需要跳过 12 字节（3 个 int32 元素）。

  • 要从一个元素移动到同一行的下一个元素，需要跳过 4 字节（1 个 int32 元素）。

• 对于一维数组 arr1d, strides 是 (4,)。这意味着移动到下一个元素需要跳过4个字节。

• 对于三维数组 arr3d, strides 是 (16, 8, 4)。 这意味着：

  • 移动到下一个块，需要跳过16个字节(2*2 * int32)

  • 移动到下一个行，需要跳过8个字节(2 * int32)

  • 移动到下一个元素，需要跳过4个字节(int32)

图示：

2.2.9 flags：数组标志

flags 属性返回一个对象，包含关于数组内存布局的信息，例如数组是否是 C 连续的、F 连续的、可写的等。

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(f"arr.flags: {arr.flags}")
​

输出可能如下：

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

• C_CONTIGUOUS: 数据是否以 C 顺序存储（行优先）。

• F_CONTIGUOUS: 数据是否以 Fortran 顺序存储（列优先）。

• OWNDATA: 数组是否拥有其数据。

• WRITEABLE: 数组是否可写。

• ALIGNED: 数据在内存中是否正确对齐。

• WRITEBACKIFCOPY: 是否需要将副本写回原始数组。

• UPDATEIFCOPY: 是否可以更新副本。

图示：

总结

理解 ndarray 的属性对于高效地使用 NumPy 至关重要。这些属性提供了关于数组结构、数据类型和内存布局的关键信息，可以帮助你优化代码并避免潜在的错误。 通过掌握这些属性，可以更好地利用 NumPy 提供的强大功能，从而解决各种科学计算和数据分析问题。