非常基本的Numpy数组维度可视化

非常基本的Numpy数组维度可视化

ndarray

NumPy中an的解剖结构看起来像下面的红色立方体：（来源：康奈尔大学物理系）

---

离开2D空间并输入3D或更高维度的空间后，行和列的概念就不再有意义。但是您仍然可以直观地了解3D阵列。例如，考虑您的示例：

In [41]: bOut[41]: array([[[ 1,  2,  3],        [ 4,  5,  6]],       [[ 7,  8,  9],        [10, 11, 12]]])In [42]: b.shapeOut[42]: (2, 2, 3)

这里的形状

b

是

(2, 2, 3)

。您可以考虑一下，我们将 两个

(2x3)

矩阵堆叠在一起形成一个3D阵列。要访问第一个矩阵，您可以

b

像那样索引到数组中

b[0]

，要访问第二个矩阵，您可以

b

像那样索引到数组中

b[1]

。

# gives you the 2D array (i.e. matrix) at position `0`In [43]: b[0]Out[43]: array([[1, 2, 3],       [4, 5, 6]])# gives you the 2D array (i.e. matrix) at position 1In [44]: b[1]Out[44]: array([[ 7,  8,  9],       [10, 11, 12]])

但是，如果您进入4D或更高的空间，则很难从阵列本身中了解任何意​​义，因为我们人类很难可视化4D和更大的尺寸。因此，宁愿只考虑

ndarray.shape

属性并使用它。

---

有关如何使用（嵌套）列表构建更高维数组的更多信息：

对于一维数组，数组构造函数需要一个序列（

tuple, list

等），但通常

list

使用该序列。

In [51]: oneD = np.array([1, 2, 3,])    In [52]: oneD.shapeOut[52]: (3,)

对于2D数组，它

list of lists

可以是，也可以是

tuple of lists

or

tuple of tuples

等等：

In [53]: twoD = np.array([[1, 2, 3], [4, 5, 6]])In [54]: twoD.shapeOut[54]: (2, 3)

对于3D阵列，它是

list of lists of lists

：

In [55]: threeD = np.array([[[1, 2, 3], [2, 3, 4]], [[5, 6, 7], [6, 7, 8]]])In [56]: threeD.shapeOut[56]: (2, 2, 3)

---

PS在 内部，将

ndarray

其存储在存储块中，如下图所示。（来源： 想法 ）