2. NumPy数组属性详解：形状、维度与数据类型

NumPy数组属性详解：形状、维度与数据类型

在第一篇NumPy入门与数组创建中，我们学习了 NumPy 数组的创建方法。本篇将进一步深入，重点介绍 NumPy 数组的核心属性，包括 形状（shape）、维度（ndim）、元素总数（size）、数据类型（dtype） 以及 内存占用。掌握这些属性，有助于我们理解数组结构，并在数据处理时快速定位问题。

---

1. 数组的基本属性

1.1 数组形状（shape）

shape 表示数组在每个维度上的长度，返回一个 元组。

import numpy as npa = np.array([[1, 2, 3],[4, 5, 6]])
print(a.shape)   # (2, 3) -> 2行3列

1.2 数组维度（ndim）

ndim 表示数组的维数（轴的个数）。

print(a.ndim)   # 2 -> 二维数组
b = np.array([1, 2, 3, 4])
print(b.ndim)   # 1 -> 一维数组

1.3 元素总数（size）

size 表示数组中元素的总个数。

print(a.size)  # 6 -> 2*3

---

2. 数据类型（dtype）

NumPy 的数组必须是 同一种数据类型，这保证了存储与运算的高效性。

c = np.array([1, 2, 3], dtype=np.int32)
print(c.dtype)   # int32d = np.array([1.2, 3.4, 5.6])
print(d.dtype)   # float64

2.1 常见的数据类型

• int32：32位整数
• int64：64位整数（默认）
• float32：单精度浮点数
• float64：双精度浮点数（默认）
• bool：布尔类型
• complex：复数类型

2.2 类型转换（astype）

可以用 astype() 转换数据类型：

arr = np.array([1.5, 2.7, 3.9])
print(arr.astype(int))  # [1 2 3]

注意：类型转换会生成一个 新数组，原数组不会改变。

---

3. 数组的内存占用

3.1 itemsize

每个元素占用的字节数。

x = np.array([1, 2, 3], dtype=np.int32)
print(x.itemsize)  # 4 -> int32 占4字节

3.2 nbytes

整个数组占用的字节数。

print(x.nbytes)  # 12 -> 3个元素 * 4字节

---

4. *数组形状变换

在后续的 数组重塑与操作 中，reshape 和 ravel 等方法非常常用。

a = np.arange(12)
print(a.shape)   # (12,)
b = a.reshape(3, 4)  # 变成3行4列
print(b.shape)   # (3, 4)

注意：reshape 不会改变原数组的数据，只是改变了“视图”的形状。

---

5. 小结

通过本篇学习，我们对 NumPy 数组的核心属性有了清晰认识。

形状（shape）描述了数组的行列结构，维度（ndim）揭示了数组的层级，元素总数（size）帮助我们快速把握规模，数据类型（dtype）确保存储与运算的统一性，而内存占用（itemsize 与 nbytes）则反映了数组的存储成本。

理解这些属性后，我们就能更清晰地掌握数组的结构，为后续的 索引与切片、数学运算 打好基础。

---

上一篇：1. NumPy入门与数组创建
下一篇：3. NumPy 文件数据读写：高效的数据存储与加载