### NumPy 数组的基本属性 NumPy 是 Python 中用于科学计算的核心库之一，其核心对象 `ndarray` 提供了许多基本属性来描述数组的结构和数据特征。以下是 ndarray 的一些重要属性： #### 1. **shape** 该属性返回一个元组，表示数组的维度大小。例如，对于二维数组 `[m, n]`，`shape` 将返回 `(m, n)` 表示 m 行 n 列[^1]。 ```python import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr.shape) # 输出 (2, 3) ``` #### 2. **ndim** 此属性返回数组的维度数（即轴的数量）。一维数组的 `ndim` 值为 1，而三维数组则为 3。 ```python arr_1d = np.array([1, 2, 3]) arr_2d = np.array([[1, 2], [3, 4]]) print(arr_1d.ndim) # 输出 1 print(arr_2d.ndim) # 输出 2 ``` #### 3. **size** 这个属性返回数组中的总元素数量，等于形状各维度乘积的结果。 ```python arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr.size) # 输出 6 ``` #### 4. **dtype** 它指定了数组中存储的数据类型，比如整型 (`int`) 或浮点型 (`float`)[^1]。 ```python arr_int = np.array([1, 2, 3]) arr_float = np.array([1.0, 2.0, 3.0]) print(arr_int.dtype) # 输出 int64 （具体取决于平台） print(arr_float.dtype) # 输出 float64 ``` --- ### NumPy 数组的常用方法 除了基本属性外，NumPy 还提供了许多内置函数和方法来进行高效的数值运算。 #### 1. **np.sum()** 可以用来对整个数组或者特定轴上的元素求和[^2]。 ```python data = np.array([[1, 2, 3], [4, 5, 6]]) # 对所有元素求和 total_sum = np.sum(data) # 按列求和 col_sums = np.sum(data, axis=0) # 按行求和 row_sums = np.sum(data, axis=1) print(total_sum) # 输出 21 print(col_sums) # 输出 [5 7 9] print(row_sums) # 输出 [ 6 15] ``` #### 2. **reshape()** 改变数组的形状而不修改其数据。 ```python arr = np.arange(8).reshape((2, 4)) print(arr) """ [[0 1 2 3] [4 5 6 7]] """ ``` #### 3. **transpose() 和 T** 转置矩阵的操作可以通过 `.T` 方法实现[^1]。 ```python matrix = np.array([[1, 2], [3, 4]]) transposed_matrix = matrix.T print(transposed_matrix) """ [[1 3] [2 4]] """ ``` #### 4. **flatten()** 将多维数组展平成一维数组。 ```python multi_dim_array = np.array([[1, 2], [3, 4]]) flattened_array = multi_dim_array.flatten() print(flattened_array) # 输出 [1 2 3 4] ``` #### 5. **mean(), std(), var()** 分别用于计算平均值、标准差以及方差[^2]。 ```python values = np.array([1, 2, 3, 4, 5]) average = values.mean() std_deviation = values.std() variance = values.var() print(f"Mean: {average}, Std Dev: {std_deviation}, Variance: {variance}") """ Mean: 3.0, Std Dev: 1.414..., Variance: 2.0 """ ``` ---