numpy.shape给出了不一致的回答-为什么？

Question

为什么这个项目

import numpy as np

c = np.array([1,2])
print(c.shape)
d = np.array([[1],[2]]).transpose()
print(d.shape)

给予

(2,)
(1,2)

作为它的输出？不是吗

(1,2)
(1,2)

相反呢？我在Python2.7.3和Python3.2.3中都得到了这个

Answer 1

快速修复：检查.ndim属性-如果它是2，则.shape属性将按预期工作。

原因：如果.ndim属性为2，则numpy报告的形状值符合约定。如果.ndim属性为1，则numpy只是以不同的方式报告形状。

更多讨论：当您向np.array传递列表列表时，.shape属性将与矩阵维度的标准概念（行、列）一致。

如果你只给np.array一个列表，那么numpy不会认为它手上有一个矩阵，而是以不同的方式报告形状。

问题是：numpy认为它有一个矩阵，还是认为它手上还有其他东西。

Answer 2

当您调用ndarray的.shape属性时，您将得到一个元素数与数组维数相同的元组。长度，即行数，是第一个维度（shape[0]）

• 从数组开始：c=np.array([1,2])。这是一个普通的一维数组，所以它的形状是一个1元素元组，而shape[0]是元素的数目，所以c.shape = (2,)
• 考虑一下c=np.array([[1,2]])。这是一个二维数组，有一行。第一行也是唯一一行是[1,2]，这给了我们两列。因此，c.shape=(1,2)和len(c)=1
• 考虑一下c=np.array([[1,],[2,]])。另一个二维数组，有2行1列：c.shape=(2,1)和len(c)=2。
• 考虑d=np.array([[1,],[2,]]).transpose()：此数组与np.array([[1,2]])相同，因此其形状为(1,2)。

另一个有用的属性是.size：这是所有维度上的元素数，对于数组cc.size = np.product(c.shape)。

有关documentation中形状的详细信息。

Answer 3

len(c.shape)是数组的“深度”。

对于c，数组只是一个列表（向量），深度是1。
对于d，数组是一个列表列表，深度为2。

注：

c.transpose()
# array([1, 2])

它不是d，因此此行为不一致。

dt = d.transpose()
# array([[1],
#        [2]])
dt.shape # (2,1)