【一起学Python】第77天:NumPy数组属性详解

📦 NumPy数组属性├── 🔷 结构属性│   ├── shape   : 数组形状（元组）✅ 最常用│   ├── ndim    : 维度数量（整数）│   └── size    : 元素总数（整数）│├── 🔷 内存属性│   ├── dtype   : 元素数据类型│   ├── itemsize: 单个元素字节数│   └── nbytes  : 数组总字节数│└── 💡 记忆口诀：形状维度看size，内存占用看nbytes

import numpy as np# 创建一个3×4的二维数组arr = np.array([[1, 2, 3, 4],                 [5, 6, 7, 8],                 [9, 10, 11, 12]])print("📊 数组属性速查")print(f"数组内容:\n{arr}\n")print(f"shape   : {arr.shape}")      # (3, 4)print(f"ndim    : {arr.ndim}")       # 2print(f"size    : {arr.size}")       # 12print(f"dtype   : {arr.dtype}")      # int64print(f"itemsize: {arr.itemsize}")   # 8print(f"nbytes  : {arr.nbytes}")     # 96

✅ shape=(3,4)  → 3行4列✅ ndim=2      → 二维数组✅ size=12     → 总共12个元素✅ dtype=int64 → 每个元素是64位整数✅ itemsize=8  → 每个元素占8字节✅ nbytes=96   → 12×8=96字节总内存

# 一维数组arr1 = np.array([1, 2, 3, 4, 5])print("一维:", arr1.shape)  # (5,)# 二维数组arr2 = np.array([[1, 2, 3], [4, 5, 6]])print("二维:", arr2.shape)  # (2, 3)# 三维数组（比如RGB图像）arr3 = np.zeros((28, 28, 3))print("三维:", arr3.shape)  # (28, 28, 3)# 解读：28×28像素，3个颜色通道

# 获取行数/列数rows, cols = arr2.shapeprint(f"{rows}行{cols}列")  # 2行3列# 动态适配任意维度print("最后一个维度:", arr2.shape[-1])  # 3

# 不同维度的ndim对比arr_1d = np.array([1, 2, 3])arr_2d = np.array([[1, 2], [3, 4]])arr_3d = np.array([[[1]], [[2]]])print(f"1D数组: ndim={arr_1d.ndim}, size={arr_1d.size}")print(f"2D数组: ndim={arr_2d.ndim}, size={arr_2d.size}")print(f"3D数组: ndim={arr_3d.ndim}, size={arr_3d.size}")

1D数组: ndim=1, size=32D数组: ndim=2, size=43D数组: ndim=3, size=2

# 对比不同数据类型的内存占用arr_int8 = np.zeros(1000, dtype=np.int8)arr_int64 = np.zeros(1000, dtype=np.int64)print(f"int8  : {arr_int8.nbytes} 字节")   # 1000字节print(f"int64 : {arr_int64.nbytes} 字节")  # 8000字节# 💡 结论：选对类型，内存节省8倍！

# 创建12个元素的一维数组arr = np.arange(12)print("原数组:", arr)print("原shape:", arr.shape)  # (12,)# 重塑为3×4的二维数组arr_2d = arr.reshape(3, 4)print("\n重塑后:\n", arr_2d)print("新shape:", arr_2d.shape)  # (3, 4)# 重塑为2×3×2的三维数组arr_3d = arr.reshape(2, 3, 2)print("\n三维数组:\n", arr_3d)print("新shape:", arr_3d.shape)  # (2, 3, 2)

✅ 重塑前后元素总数必须相同✅ 可以使用 -1 让NumPy自动计算维度# 示例：自动计算列数arr = np.arange(12)result = arr.reshape(3, -1)  # 3行，列数自动计算print(result.shape)  # (3, 4)

# 转置：行列互换arr2d = np.array([[1, 2, 3], [4, 5, 6]])print("原数组:\n", arr2d)print("转置后:\n", arr2d.T)  # 或 arr2d.transpose()# 展平：多维变一维flat = arr2d.flatten()print("展平后:", flat)  # [1 2 3 4 5 6]# 添加/删除维度arr1d = np.array([1, 2, 3])col_vec = arr1d[:, np.newaxis]  # 添加新维度print("列向量shape:", col_vec.shape)  # (3, 1)

# 模拟一张28×28的灰度图像gray_img = np.random.randint(0, 256, (28, 28), dtype=np.uint8)print(f"图像尺寸: {gray_img.shape}")      # (28, 28)print(f"像素总数: {gray_img.size}")        # 784print(f"内存占用: {gray_img.nbytes} 字节")  # 784字节# 转换为深度学习需要的格式：(1, 28, 28, 1)# 批次大小=1，高=28，宽=28，通道=1input_tensor = gray_img.reshape(1, 28, 28, 1)print(f"模型输入形状: {input_tensor.shape}")

# 模拟100行×5列的数据表data = np.random.randn(100, 5)print(f"数据规模: {data.shape[0]}行 × {data.shape[1]}列")print(f"特征数量: {data.shape[1]}")# 提取某一列（比如第3列）feature_3 = data[:, 2]print(f"单列数据形状: {feature_3.shape}")  # (100,)

# 模拟1000个样本，每个样本10个特征X = np.random.randn(1000, 10)# 检查数据形状assert X.ndim == 2, "数据必须是二维！"assert X.shape[0] == 1000, "样本数不匹配！"# 标准化前查看统计信息print(f"均值: {X.mean():.4f}")print(f"标准差: {X.std():.4f}")

import numpy as np# 基础题arr = np.zeros((3, 5))print(f"shape:{arr.shape}, ndim:{arr.ndim}, size:{arr.size}")arr1d = np.arange(12)arr2d = arr1d.reshape(4, 3)print("重塑成功:", arr2d.shape)# 进阶题arr3d = np.random.randn(2, 3, 4)print(f"三维: {arr3d.shape[0]}×{arr3d.shape[1]}×{arr3d.shape[2]}")# 挑战题：属性报告函数def array_report(arr, name="数组"):    print(f"\n📊 {name}属性报告")    print(f"形状: {arr.shape}")    print(f"维度: {arr.ndim}D")    print(f"元素数: {arr.size}")    print(f"类型: {arr.dtype}")    print(f"内存: {arr.nbytes}字节 ({arr.nbytes/1024:.2f}KB)")arr = np.random.randn(100, 50)array_report(arr, "测试数据")

# 快速创建指定形状的数组arr = np.zeros((100, 50), dtype=np.float32)# 一键查看关键信息print(f"{arr.shape} | {arr.dtype} | {arr.nbytes/1024:.1f}KB")

第74天：NumPy安装 ✓第75天：ndarray对象 ✓第76天：数据类型 ✓第77天：数组属性 ✓ ← 你今天在这里第78天：创建数组进阶第79天：切片和索引第80天：数组运算...