基本的数组属性¶
有了我们对NumPy多维数组的理解后，我们现在来了解一些使用代码来查看数组属性（例如维度）的方法吧。理解数组的“形状”（shape）是什么极其重要。
我们将使用以下的数组来进行讨论：
>>> import numpy as np
>>> example_array = np.array([[[ 0, 1, 2, 3],
... [ 4, 5, 6, 7]],
...
... [[ 8, 9, 10, 11],
... [12, 13, 14, 15]],
...
... [[16, 17, 18, 19],
... [20, 21, 22, 23]]])
根据之前的讨论，这是一个有着一下结构的3维数组：
轴0描述从3页中选中哪一个。
轴1描述从任何一页中的2行中选中哪一个。
轴2描述从任何一页和行中的4列中选中哪一个。
ndarray.ndim:
数组的轴（维度）数。
# 数组的维度
>>> example_array.ndim
3
ndarray.shape:
成员为代表数组每个维度的项目数量的整数元组。如果一个2维数组有着 \(N\) 行和 \(M\) 列，那么形状将是 \((N, M)\)。所以这个形状元组的长度等于数组的维度。
# 数组的形状
>>> example_array.shape
(3, 2, 4)
ndarray.size:
这个数组总共的成员数。这等于数组形状的每个数的乘积。
# 数组的大小：数组中存了多少个成员
>>> example_array.size
24
ndarray.dtype:
描述数组成员的数据类型的对象。请回忆，NumPy的N维数组都是同质（homogenous）的：它们只能拥有同样数据类型的数字。
# `example_array` 存储整数。每个整数使用32比特（bit）的内存
>>> example_array.dtype
dtype('int32')
ndarray.itemsize:
数组每个成员的大小，单位是字节（byte）（1字节等于8比特）。比如说，类型为 float64 的数组的itemsize就是8 \((= \frac{64}{8})\)，而类型为 complex32 的数组的itemsize就是4 \((= \frac{32}{8})\)。
# `example_array` 的每个整数占用4字节（32比特）的内存
>>> example_array.itemsize
4