Numpy数组属性与类型转换：ndim、shape、dtype、astype详解

Numpy数组核心属性与方法概述

本文旨在详细解析Numpy数组中四个关键概念与方法的差异与应用：ndim、shape、dtype以及astype。

ndim：获取数组维度数

1. ndim属性

ndim属性用于返回数组的维度数量。其返回值是一个单一的整数，该整数直接代表了数组的维度层级。

shape：解析各维度大小元组

2. shape属性

shape属性返回一个元组，该元组包含了数组在各个维度上的大小信息。

针对一维数组，常有人疑惑为何结果不是(1, 6)。这是因为当arr1的ndim为1时，shape元组中仅包含一个元素，即该维度的长度。

对于二维数组，shape元组中的第一个数值代表行数，第二个数值代表列数。由于二维数组的ndim为2，因此返回包含两个数值的元组。

三维数组的结构较为复杂，不易直观判断。通过打印arr3并观察其结构，可以更清晰地理解其shape构成。

首先观察最外层的中括号，它包含两个子数组：[[1,2,3],[4,5,6]]和[[7,8,9],[10,11,12]]。若将这两个子数组分别视为A和B，则整体结构可简化为[A, B]。若A和B仅为单个数字，其ndim为2，这对应shape元组的第一个数值。然而，A和B本身是形状为(2, 3)的数组。综合来看，arr3的shape即为(2, 2, 3)。

基于上述逻辑进行类比，可以推导出四维、五维乃至更高维度数组的shape表示方法。

dtype：识别数组数据类型

3. dtype属性

dtype是一个用于描述数组数据类型的对象，它返回该数组的具体数据类型。由于示例图中的数据均为整数，因此返回结果为int32。若数组中包含带有小数点的数据，则返回结果为float64。

这里常有一个疑问：在Python中，整数类型通常表示为int，浮点数表示为float，为何Numpy中显示的是int32和float64？

解答在于：int32和float64是Numpy库内部定义的一套特定数据类型标准，与Python内置类型有所区别。

astype：执行数据类型转换

4. astype方法

astype方法用于转换数组的数据类型。

将int32类型转换为float64类型是完全可行的，操作顺利。

将float64类型转换为int32类型时，Numpy会直接截断小数部分，仅保留整数部分。

对于string_类型转换为float64，如果字符串数组中的元素全部表示数字，则可以使用astype将其转换为数值类型。

需要注意的是，float是Python的内置类型，但Numpy也能识别并使用它。Numpy会将Python内置类型自动映射到等价的Numpy dtype上。

以上是对这四个方法基本用法的介绍，后续若有新的发现或应用场景，将再做补充。

至此，关于Numpy中ndim、shape、dtype、astype的用法详解已介绍完毕。如需了解更多相关内容，欢迎搜索本站过往文章或继续浏览后续文章，感谢大家的支持！