对numpy中shape的理解

转自：
作者：by_study
原文：https://blog.csdn.net/by_study/article/details/67633593

================================================================================================

一维情况

>>> import numpy as np
>>> a = np.array([2,3,33])
>>> a
array([ 2 3 33 ])
>>> print a
[ 2 3 33 ]
>>> a.shape
(3, )

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：

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

二维情况

>>> a = np.array([[2,2,2],[3,3,3]])
>>> print a
[[ 2  2  2 ]
  [ 3  3  3 ]]
>>> a.shape
(2, 3)

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：

>>> a = np.ones([2, 3])
>>> print a
[[ 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：

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

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

然后看四维情况：

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

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

>>> import numpy as np
>>> m = np.ones([2,3,2,3])
>>> print m
[[[[ 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.]]]]
>>> print m[1,:,:,:]
[[[ 1.  1.  1.]
  [ 1.  1.  1.]]
 
 [[ 1.  1.  1.]
  [ 1.  1.  1.]]
 
 [[ 1.  1.  1.]
  [ 1.  1.  1.]]]
>>> print m[:,1,:,:]
[[[ 1.  1.  1.]
  [ 1.  1.  1.]]
 
 [[ 1.  1.  1.]
  [ 1.  1.  1.]]]
>>> print m[:,:,1,:]
[[[ 1.  1.  1.]
  [ 1.  1.  1.]
  [ 1.  1.  1.]]
 
 [[ 1.  1.  1.]
  [ 1.  1.  1.]
  [ 1.  1.  1.]]]
>>> print m[:,:,:,1]
[[[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]
 
 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]]

前面print m很好理解~

然后print 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print 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print 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print 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的一维数组

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

ps：感谢评论中指出的错误，已修改，另外使用np.ones来输出结果不是特别直观，可使用np.arange，例如上面4维数组 m = np.ones([2,3,2,3]) 可以改成m = np.arange(36).reshape([2,3,2,3])，再输出结果可以对应到每个元素的位置

对numpy中shape的理解

猜你喜欢