numpy中shape的理解

本文參考自: 原文地址

一維情況：

1. >>> import numpy as np
2. >>> a = np.array([ 2, 3, 33])
3. >>> a
4. array([ 2 3 33 ])
5. >>> print a
6. [ 2 3 33 ]
7. >>> a.shape
8. ( 3, )

一維情況中array創建的可以看做list（或一維數組），創建時用（）和[ ]都可以，多維也一樣，兩種方法創建後的輸出顯示結果也相同，這裏使用[ ]進行創建

輸出a的shape會顯示一個參數，就是這個list中元素個數

創建時也可以直接使用np.zeros([1])，這樣會創建全0的list，或者np.ones([1])，不需要我們輸入數據，見下圖：

1. >>> a = np.zeros([1])
2. >>> b = np.ones([ 1])
3. >>> print a
4. [ 0. ]
5. >>> print b
6. [ 1. ]

二維情況：

1. >>> a = np.array([[2,2,2],[3,3,3]])
2. >>> print a
3. [[ 2 2 2 ]
4. [ 3 3 3 ]]
5. >>> a.shape
6. ( 2, 3)

二維情況中array創建的可以看做二維數組（矩陣），注意創建時需要使用2個[ ]，輸出a的shape顯示的（2,3）相當於有2行，每行3個數，使用np.ones創建結果如下：

1. >>> a = np.ones([2, 3])
2. >>> print a
3. [[ 1. 1. 1. ]
4. [ 1. 1. 1. ]]

多維情況：

多維情況統一使用np.ones進行創建，先看三維情況：

1. >>> a = np.ones([1,1,1])
2. >>> print a
3. [[[ 1.]]]
4. >>> a = np.ones([ 1, 1, 2])
5. >>> print a
6. [[[ 1. 1.]]]
7. >>> a = np.ones([ 1, 2, 1])
8. >>> print a
9. [[[ 1.]
10. [ 1.]]]
11. >>> a = np.ones([ 2, 1, 1])
12. >>> print a
13. [[[ 1.]]
15. [[ 1.]]]

從上面的代碼可以看出， 三維情況創建時後面2個參數可以看做是創建二維數組，第1個參數看做創建的二維數組的個數，所以創建時輸入的參數爲2,3,2時，就相當於創建了2個3行2列的二維數組 ，如下：

1. >>> a = np.ones([2,3,2])
2. >>> print a
3. [[[ 1. 1.]
4. [ 1. 1.]
5. [ 1. 1.]]
7. [[ 1. 1.]
8. [ 1. 1.]
9. [ 1. 1.]]]

然後看四維情況：

1. >>> a = np.ones([1,1,1,1])
2. >>> print a
3. [[[[ 1.]]]]
4. >>> a = np.ones([ 1, 1, 1, 2])
5. >>> print a
6. [[[[ 1. 1.]]]]
7. >>> a = np.ones([ 1, 1, 2, 1])
8. >>> print a
9. [[[[ 1.]
10. [ 1.]]]]
11. >>> a = np.ones([ 1, 2, 1, 1])
12. >>> print a
13. [[[[ 1.]]
15. [[ 1.]]]]
16. >>> a = np.ones([ 2, 1, 1, 1])
17. >>> print a
18. [[[[ 1.]]]
21. [[[ 1.]]]]

從上面代碼可以看出：四維時將第一個參數設置爲2和第二個參數設置爲2時，輸出結果中間的空行數量不同，我把它理解成先創建1行1列的二維數組[[ 1. ]]，然後按照第2個參數打包這樣的二維數組，如果第二個參數是2，則打包2個2維數組變成[[[ 1. ]]，[[ 1. ]]]（小包），然後按照第1個參數再打包這樣的包，如果第一個參數是2，則變成[[[[ 1. ]], [[ 1. ]]], [[[ 1. ]], [[ 1. ]]]]（大包），就是下面的結果：

1. >>> a = np.ones([2,2,1,1])
2. >>> print a
3. [[[[ 1.]]
5. [[ 1.]]]
8. [[[ 1.]]
10. [[ 1.]]]]

四維以上的結果也是這麼理解~輸出中區分參數用空行~

然後來看一下特定輸出：

1. >>> import numpy as np
2. >>> m = np.ones([ 2, 3, 2, 3])
3. >>> print m
4. [[[[ 1. 1. 1.]
5. [ 1. 1. 1.]]
7. [[ 1. 1. 1.]
8. [ 1. 1. 1.]]
10. [[ 1. 1. 1.]
11. [ 1. 1. 1.]]]
14. [[[ 1. 1. 1.]
15. [ 1. 1. 1.]]
17. [[ 1. 1. 1.]
18. [ 1. 1. 1.]]
20. [[ 1. 1. 1.]
21. [ 1. 1. 1.]]]]
22. >>> print m[ 1,:,:,:]
23. [[[ 1. 1. 1.]
24. [ 1. 1. 1.]]
26. [[ 1. 1. 1.]
27. [ 1. 1. 1.]]
29. [[ 1. 1. 1.]
30. [ 1. 1. 1.]]]
31. >>> print m[:, 1,:,:]
32. [[[ 1. 1. 1.]
33. [ 1. 1. 1.]]
35. [[ 1. 1. 1.]
36. [ 1. 1. 1.]]]
37. >>> print m[:,:, 1,:]
38. [[[ 1. 1. 1.]
39. [ 1. 1. 1.]
40. [ 1. 1. 1.]]
42. [[ 1. 1. 1.]
43. [ 1. 1. 1.]
44. [ 1. 1. 1.]]]
45. >>> print m[:,:,:, 1]
46. [[[ 1. 1.]
47. [ 1. 1.]
48. [ 1. 1.]]
50. [[ 1. 1.]
51. [ 1. 1.]
52. [ 1. 1.]]]

前面print m很好理解~

然後print m[1,：,：,：]，：代表默認值（就是一開始你輸入時指定的值），這句代碼相當於輸出2個包中的第1個包（從0開始計數），這個包裏面有3個小包，小包裏面是2*3的二維數組，所以結果就是上面的~

然後print m[：,1,：,：]，相當於輸出2個大包，每個大包輸出第1個小包，小包裏面是2*3的二維數組

然後print m[：,：,1,：]，相當於輸出2個大包，每個大包輸出3個小包，小包裏面是二維數組的第1行

然後print m[：,：,：,1]，相當於輸出2個大包，每個大包輸出3個小包，小包裏面是1*2的二維數組

其他結果可以自己去試試~

總結：採用np.array()創建時需要幾個維度就要用幾個[ ]括起來，這種創建方式要給定數據；採用np.ones()或np.zeros()創建分別產生全1或全0的數據，用a.shape會輸出你創建時的輸入，創建時輸入了幾個維度輸出就會用幾個[ ]括起來，shape的返回值是一個元組，裏面每個數字表示每一維的長度