数组属性与检查
探索 ndim、shape、size 和 dtype 属性，并学习如何使用 reshape() 改变数组形状。
数组属性与检查 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
数组属性为何重要
处理数组之前，您需要了解它的 shape、维度和 dtype。NumPy 通过轻量的属性立即为您提供这些信息。
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print('ndim:', a.ndim) # 2
print('shape:', a.shape) # (2, 3)
print('size:', a.size) # 6
print('dtype:', a.dtype) # int64ndim：维度数量
ndim 会告诉您数组有多少个维度：一维列表为 1，列表组成的列表为 2，而机器学习中的张量通常为 3 或 4 维。
import numpy as np
v = np.array([1, 2, 3])
print(v.ndim) # 1
m = np.zeros((4, 5))
print(m.ndim) # 2
t = np.ones((2, 3, 4))
print(t.ndim) # 3shape：维度元组
shape 是一个元组，每个维度对应一个大小。对于二维数组，它表示 (行数, 列数)——您还可以将其解包，以编写灵活的代码。
import numpy as np
a = np.arange(24).reshape(2, 3, 4)
print(a.shape) # (2, 3, 4)
n_rows, n_cols = np.zeros((5, 7)).shape
print(n_rows, n_cols) # 5 7size：元素总数
size 给出元素总数，也就是将 shape 中的所有值相乘。重塑数组后，用它可以方便地检查是否有元素丢失。
import numpy as np
a = np.ones((3, 4, 5))
print(a.size) # 60 (3*4*5)
print(np.prod(a.shape))# 60
# Memory estimate in bytes
print(a.size * a.itemsize, 'bytes') # 480 bytesdtype：元素数据类型
dtype 描述每个元素的类型，而 itemsize 告诉您每个元素占用多少字节。将 float64 改为 float32 可以使内存占用减半，而且通常运行得更快。
import numpy as np
a = np.array([1.5, 2.5, 3.5])
print(a.dtype) # float64
print(a.itemsize) # 8 bytes
b = a.astype(np.float32)
print(b.dtype) # float32
print(b.itemsize) # 4 bytesnbytes：内存占用总量
nbytes 表示数组占用的总字节数，也就是 size 乘以 itemsize。在降位转换前后检查它，可以确认是否确实节省了空间。
import numpy as np
a = np.ones((1000, 1000), dtype=np.float64)
print(a.nbytes) # 8000000 (8 MB)
b = a.astype(np.float32)
print(b.nbytes) # 4000000 (4 MB)reshape()：改变数组形状
reshape 可以在不复制数据的情况下为数组设置新的形状，只要元素总数保持不变即可。传入 -1 后，NumPy 会为您推断该维度。
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
b = a.reshape(3, 4)
print(b.shape) # (3, 4)
c = a.reshape(2, -1) # -1 inferred as 6
print(c.shape) # (2, 6)使用 ravel() 和 flatten() 展平
ravel() 和 flatten() 都能将数组压缩为一维。区别在于：ravel 通常与原数组共享内存（不复制），而 flatten 始终会创建一个全新的副本。
import numpy as np
m = np.array([[1, 2, 3], [4, 5, 6]])
r = m.ravel() # view (usually)
f = m.flatten() # always a copy
print(r) # [1 2 3 4 5 6]
print(f) # [1 2 3 4 5 6]转置数组
.T 属性会返回数组的转置——交换行和列。这个操作不需要复制数据，因此几乎没有额外开销，对于对齐矩阵至关重要。
import numpy as np
m = np.array([[1, 2, 3], [4, 5, 6]]) # shape (2, 3)
print(m.T.shape) # (3, 2)
print(m.T)
# [[1 4]
# [2 5]
# [3 6]]strides：内存布局
strides 表示 NumPy 在每个维度上遍历内存时要跨过多少字节。这就是转置无需复制数据的原因——它只交换 stride 值。
import numpy as np
a = np.ones((3, 4), dtype=np.float64)
print(a.strides) # (32, 8) — 4 cols x 8 bytes, 1 col x 8 bytes
b = a.T
print(b.strides) # (8, 32) — strides swapped, no data copy检查视图与副本
view 与原数组共享内存，因此修改其中一个会同时改变另一个；副本则彼此独立。使用 np.shares_memory(a, b) 可以检查当前得到的是哪一种。
import numpy as np
a = np.arange(6)
b = a.reshape(2, 3) # view
print(np.shares_memory(a, b)) # True
c = a.copy()
print(np.shares_memory(a, c)) # False快速检查
检验您对本课 NumPy 数组属性内容的理解。
课程回顾
进步很大！ndim、shape 和 size 描述数组结构，dtype 描述数据类型；reshape 返回视图，而 flatten 始终复制数据。下一步学习数组运算。
常见问题解答
「数组属性与检查」课时是免费的吗？
是的 — 「数组属性与检查」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「数组属性与检查」这节课中我会学到什么？
探索 ndim、shape、size 和 dtype 属性，并学习如何使用 reshape() 改变数组形状。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「数组属性与检查」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 创建 NumPy 数组
- 数组属性与检查
- 逐元素算术运算
- 数组切片与索引