NumPy 数组属性
本章节我们将来了解 NumPy 数组的一些基本属性。
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度。
一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy 中，数组的每一个维度称为一个轴（axis），也就是维度（dimensions）。
比如说，二维数组可以看作是"一维数组组成的一维数组"：外层数组的每个元素本身又是一个一维数组。
其中第 0 轴相当于是最外层数组的方向，第 1 轴是内层数组的方向，以此类推。
轴的数量——秩，就是数组的维数。
很多 NumPy 函数都支持 axis 参数。
对二维数组而言，axis=0 表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1 表示沿着第 1 轴进行操作，即对每一行进行操作。
下面以一个 shape 为 (2, 3) 的二维数组为例，直观展示两个轴的方向以及各属性的含义：
axis 表示的是"沿哪个方向压缩"，而不是"第几行/第几列"：沿 axis=0 求和是把多行压成一行，因此结果是每一列的和。
实例
a = np.array([[1, 2, 3], [4, 5, 6]])
# 沿第 0 轴求和：跨行方向压缩，对每一列求和
print(a.sum(axis=0))
# 沿第 1 轴求和：跨列方向压缩，对每一行求和
print(a.sum(axis=1))
输出结果为：
[5 7 9] [ 6 15]
下面的交互演示可以更直观地感受两个轴的求和方向，点击按钮切换：
a.sum(axis=0) → [5 7 9]，沿第 0 轴把每一列的元素压成一个数NumPy 数组中比较重要的 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
ndarray.ndim | 数组的秩（rank），即数组的维度数量或轴的数量。 |
ndarray.shape | 数组的维度，表示数组在每个轴上的大小。对于二维数组（矩阵），表示其行数和列数。 |
ndarray.size | 数组中元素的总个数，等于 ndarray.shape 中各个轴上大小的乘积。 |
ndarray.dtype | 数组中元素的数据类型。 |
ndarray.itemsize | 数组中每个元素的大小，以字节为单位。 |
ndarray.flags | 包含有关内存布局的信息，如是否为 C 或 Fortran 连续存储，是否为只读等。 |
ndarray.real | 数组中每个元素的实部（如果元素类型为复数）。 |
ndarray.imag | 数组中每个元素的虚部（如果元素类型为复数）。 |
ndarray.data | 实际存储数组元素的缓冲区，一般通过索引访问元素，不直接使用该属性。 |
ndarray.ndim
ndarray.ndim 用于获取数组的维度数量（即数组的轴数），也就是秩。
实例
a = np.arange(24)
print(a.ndim) # a 现在只有一个维度
# 通过 reshape 调整其大小，变成 2 页 4 行 3 列
b = a.reshape(2, 4, 3) # b 现在拥有三个维度
print(b.ndim)
输出结果为：
1 3
ndarray.shape
ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性（秩）。
比如，一个二维数组的 shape 表示其"行数"和"列数"。
shape 元组的顺序与轴的顺序一致：第 0 个元素是第 0 轴的大小（行数），第 1 个元素是第 1 轴的大小（列数）。
实例
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)
输出结果为：
(2, 3)
ndarray.shape 也可以用于调整数组大小。
实例
a = np.array([[1, 2, 3], [4, 5, 6]])
a.shape = (3, 2)
print(a)
输出结果为：
[[1 2] [3 4] [5 6]]
NumPy 也提供了 reshape 函数来调整数组大小。
实例
a = np.array([[1, 2, 3], [4, 5, 6]])
b = a.reshape(3, 2)
print(b)
输出结果为：
[[1 2] [3 4] [5 6]]
两种方式的区别：直接给 a.shape 赋值会原地修改数组 a 本身；而 a.reshape(3, 2) 返回一个新的数组对象（通常与 a 共享同一份数据），a 本身保持不变。
ndarray.size
ndarray.size 返回数组中元素的总个数，等于 shape 中各个轴上大小的乘积。
实例
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape) # shape 为 (2, 3)
print(a.size) # 元素总个数：2 × 3 = 6
输出结果为：
(2, 3) 6
ndarray.dtype
ndarray.dtype 返回数组中元素的数据类型。
dtype 对象包含类型名和元素位宽等信息，例如 int64 表示 64 位整数、float32 表示 32 位浮点数。
实例
# 整数列表默认创建 int64 数组（Windows 上默认为 int32）
a = np.array([1, 2, 3])
print(a.dtype)
# 创建时可以用 dtype 参数显式指定数据类型
b = np.array([1, 2, 3], dtype=np.float32)
print(b.dtype)
输出结果为：
int64 float32
ndarray.real 与 ndarray.imag
ndarray.real 和 ndarray.imag 分别返回数组中每个元素的实部和虚部，主要在元素类型为复数（complex）时使用。
实例
# 创建一个复数数组，默认类型为 complex128
a = np.array([1+2j, 3+4j, 5+6j])
print(a.real) # 每个元素的实部
print(a.imag) # 每个元素的虚部
输出结果为：
[1. 3. 5.] [2. 4. 6.]
ndarray.itemsize
ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组，itemsize 属性值为 8（float64 占用 64 位，每 8 位为 1 个字节，64 ÷ 8 = 8 个字节）。
又如，一个元素类型为 int32 的数组，itemsize 属性值为 4（32 ÷ 8）。
size 与 itemsize 的乘积就是数组数据占用的总字节数，也就是属性 ndarray.nbytes 的值。
实例
# 数组的 dtype 为 int8，每个元素占 1 个字节
x = np.array([1, 2, 3, 4, 5], dtype=np.int8)
print(x.itemsize)
# 数组的 dtype 为 float64，每个元素占 8 个字节
y = np.array([1, 2, 3, 4, 5], dtype=np.float64)
print(y.itemsize)
输出结果为：
1 8
ndarray.flags
ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：
| 属性 | 描述 |
|---|---|
| C_CONTIGUOUS (C) | 数据是在一个单一的、C 语言风格的连续内存区域中 |
| F_CONTIGUOUS (F) | 数据是在一个单一的、Fortran 语言风格的连续内存区域中 |
| OWNDATA (O) | 数组拥有它所使用的内存，而不是从其它对象借用 |
| WRITEABLE (W) | 数据区域可以被写入，将该值设置为 False，则数据为只读 |
| ALIGNED (A) | 数据和所有元素都适当地对齐到硬件上 |
| WRITEBACKIFCOPY (X) | 这个数组是其它数组的一个副本，当这个数组被释放时，其内容将被写回原数组 |
旧版本的 UPDATEIFCOPY (U) 是 WRITEBACKIFCOPY 的旧名称，在 NumPy 1.14 中被弃用，NumPy 2.0 起已彻底移除，因此现在不应再使用它。
C_CONTIGUOUS 与 F_CONTIGUOUS 描述的是同一份数据在内存中的排列顺序，同一个二维数组有两种典型的存法：
实例
x = np.array([1, 2, 3, 4, 5])
print(x.flags)
输出结果为：
C_CONTIGUOUS : True F_CONTIGUOUS : True OWNDATA : True WRITEABLE : True ALIGNED : True WRITEBACKIFCOPY : False