numpy的维度和pandas维度的定义是完全不同的

前言

关于数组维度和矩阵形状的一点思考。

1. 代码案例

代码块1：

import numpy as np

a = np.array([1,2,3,3])

print('a的shape是：')

print(a.shape)

b = np.array([[1,1],[1,1],[1,1]])

print('b的shape是：')

print(b.shape)

输出为：

代码块2：

a的shape是：

(4,)

b的shape是：

(3, 2)

代码块3：

import numpy as np

a = np.array([1,2,3,3])

print('a的维度是：')

print(a.ndim)

b = np.array([[1,1],[1,1],[1,1]])

print('b的维度是：')

print(b.ndim)

代码块4:

a的维度是：

b的维度是：

2. 代码讲解

2.1. 维度判断方式：

根据shape中数字个数判断。如代码块1和2所示，a中的输出为（4，），有一个数字，那么a是一维；b中的输出为（3,2），有两个数字（分别为3和2），则b是二维。

根据ndim方法判断如代码块3和4所示。可以直接运用ndim进行维度的输出。

2.2 shape中数字的含义：

如代码块2

a.shape 输出（4，），其中只有一个数字4，表示一维；数字4表示含有4个数据。

b.shape 输出（3,2），其中含有两个数字（分别是3,2）表示二维数组。3,2的含义为：3表示其中含有3个一维数组，2表示一维数组中含有2个数组

3. 一点思考

对于一维数组可能有点难理解。如线性代数中 n = [1,2,2,4]，它表示向量（1*4）而在数组中的表示为（4，）。需要注意的是，这里是向量（或者说矩阵，矩阵和数组的区别可参考文献[2]）与我们所说的数组还是有不同的，注意不要混淆！

另，有关维度的详细讲解参考文献[1]

参考文献

[1] https://blog.csdn.net/Babyfatliang/article/details/87721282

[2] https://blog.csdn.net/wyl1813240346/article/details/79806207

————————————————

原文链接：https://blog.csdn.net/weixin_39190382/article/details/103743483

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。