Python进阶学习：Numpy--ndim、shape、dtype、astype的用法说明
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈 希望得到您的订阅和支持~
💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）
🌵文章目录🌵
- [🎯 一、引言](#🎯 一、引言)
- [📚 二、Numpy简介](#📚 二、Numpy简介)
- [🛠️ 三、ndim的用法](#🛠️ 三、ndim的用法)
- [📊 四、shape的用法](#📊 四、shape的用法)
- [🔬 五、dtype的用法](#🔬 五、dtype的用法)
- [🎨 六、astype的用法](#🎨 六、astype的用法)
- [🚀 七、总结](#🚀 七、总结)
- [🤝 八、期待与你共同进步](#🤝 八、期待与你共同进步)
🎯 一、引言
在Python的数据科学领域，Numpy是一个不可或缺的库。它为数组对象提供了大量的功能，并允许进行高效的科学计算。Numpy数组具有许多属性，其中ndim、shape、dtype和astype是几个非常核心且常用的。本文将详细解读这些属性的用法，并通过代码示例帮助你理解它们的实际作用。
📚 二、Numpy简介
Numpy（Numerical Python的简称）是Python语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy是Python数据处理的基础包，它包含强大的N维数组对象、复杂函数。
🛠️ 三、ndim的用法
ndim属性用于获取数组的维数。简单地说，它告诉你数组有多少个维度。
python
import numpy as np
# 创建一个一维数组
arr_1d = np.array([1, 2, 3, 4])
print(f"一维数组的ndim: {arr_1d.ndim}")
# 创建一个二维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f"二维数组的ndim: {arr_2d.ndim}")
# 创建一个三维数组
arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"三维数组的ndim: {arr_3d.ndim}") 输出：
html
一维数组的ndim: 1
二维数组的ndim: 2
三维数组的ndim: 3
进程已结束,退出代码0📊 四、shape的用法
shape属性返回一个表示数组在每个维度上大小的元组。对于一维数组，它返回一个表示数组长度的元组；对于二维数组，它返回表示行数和列数的元组；对于更高维度的数组，它会继续返回更多维度的大小。
python
import numpy as np
# 创建一个二维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 创建一个三维数组
arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"二维数组的形状: {arr_2d.shape}") # 输出: (2, 3)
print(f"三维数组的形状: {arr_3d.shape}") # 输出: (2, 2, 2)shape属性不仅可以用来查询数组的形状，还可以用来协助reshape方法重塑数组。
python
import numpy as np
# 创建一个二维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 将二维数组重塑为一维数组
reshaped_arr_1d = arr_2d.reshape(arr_2d.shape[0] * arr_2d.shape[1])
print(reshaped_arr_1d) # 输出: [1 2 3 4 5 6]🔬 五、dtype的用法
dtype属性用于获取数组元素的数据类型。当你创建一个Numpy数组时，可以明确指定数据类型，或者Numpy会根据输入数据自动推断数据类型。
python
# 创建一个整数数组
import numpy as np
int_arr = np.array([1, 2, 3, 4], dtype=np.int32)
print(f"整数数组的数据类型: {int_arr.dtype}")
# 创建一个浮点数数组
float_arr = np.array([1.1, 2.2, 3.3, 4.4])
print(f"浮点数数组的数据类型: {float_arr.dtype}") 输出：
html
整数数组的数据类型: int32
浮点数数组的数据类型: float64
进程已结束,退出代码0🎨 六、astype的用法
astype方法用于将数组的数据类型转换为新的数据类型 。它是dtype属性的一个非常实用的配套工具。
python
import numpy as np
int_arr = np.array([1, 2, 3, 4], dtype=np.int32)
# 将整数数组转换为浮点数数组
float_arr_from_int = int_arr.astype(np.float32)
print(float_arr_from_int) # 输出: [1. 2. 3. 4.]
print(float_arr_from_int.dtype) # 输出: float32
# 将字符串数组转换为整数数组
# 注意：这要求字符串表示的是有效的整数，否则会抛出ValueError
str_arr = np.array(['1', '2', '3', '4'], dtype=np.str_)
print(str_arr) # 输出: ['1' '2' '3' '4']
int_arr_from_str = str_arr.astype(np.int32)
print(int_arr_from_str) # 输出: [1 2 3 4]astype不仅可以用于简单的类型转换，还可以用于更复杂的数组操作，比如将数组转换为复数类型。
python
# 创建复数数组
import numpy as np
complex_arr = np.array([1+2j, 3+4j, 5+6j])
print(complex_arr) # 输出: [1.+2.j 3.+4.j 5.+6.j]
# 创建一个实数数组并转换为复数数组
real_arr = np.array([1, 2, 3])
complex_arr_from_real = real_arr.astype(np.complex128)
print(complex_arr_from_real) # 输出: [1.+0.j 2.+0.j 3.+0.j]🚀 七、总结
通过本文，我们学习了Numpy中ndim、shape、dtype和astype四个核心属性的用法。这些属性提供了操作Numpy数组形状和类型的重要工具。在实际的数据分析和科学计算中，熟练掌握这些属性将大大提高你的数据处理效率。
🤝 八、期待与你共同进步
🌱 亲爱的读者，非常感谢你每一次的停留和阅读！你的支持是我们前行的最大动力！🙏
🌐 在这茫茫网海中，有你的关注，我们深感荣幸。你的每一次点赞👍、收藏🌟、评论💬和关注💖，都像是明灯一样照亮我们前行的道路，给予我们无比的鼓舞和力量。🌟
📚 我们会继续努力，为你呈现更多精彩和有深度的内容。同时，我们非常欢迎你在评论区留下你的宝贵意见和建议，让我们共同进步，共同成长！💬
💪 无论你在编程的道路上遇到什么困难，都希望你能坚持下去，因为每一次的挫折都是通往成功的必经之路。我们期待与你一起书写编程的精彩篇章！ 🎉
🌈 最后，再次感谢你的厚爱与支持！愿你在编程的道路上越走越远，收获满满的成就和喜悦！祝你编程愉快！🎉