一、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，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。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。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray 元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
1、ndarray.ndim
ndarray.ndim 用于返回数组的秩，即轴的数量或维度的数量。
实例
import numpy as np
a = np.arange(12) # 返回一个一维数组序列，和自带 range 方法类似
print(a.ndim) # a 现只有一个维度
# 现在调整其大小
b = a.reshape(4,3) # b 现在拥有2个维度
print(b.ndim)
输出结果为：
1 2
2、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，其维度表示"行数"和"列数"。
- 数组的维度
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print(a.shape)
输出结果为：
(2, 3)
- 调整数组大小
ndarray.shape 也可以用于调整数组大小。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a.shape = (3,2)
print(a)
b = a.reshape(2,3) # NumPy 也提供了reshape函数来调整数组大小
print(b)
输出结果为：
[[1 2] [3 4] [5 6]] [[1 2 3] [4 5 6]]
注意： a.shape 属性和 a.reshape 函数均可以改变数组大小，区别如下
- a.shape 是数组对象的属性，修改只需要使用“=”重新赋值，会在原数组上修改；
- a.reshape() 是数组对象的一个方法，会返回一个新的数组，原来数组不会改变。
3、ndarray.size
返回数组元素的总个数，相当于 ndarray.shape 中返回元祖的每个元素相乘。
a = np.arange(24) # 创建数组
a.shape = (4,3,2) # 改变数组维度
print(a.shape)
print(a.size)
输出结果
(4, 3, 2)
24
4、ndarray.dtype
返回 ndarray 对象的元素类型，关于数组对象的数据类型，前面章节 NumPy 数据类型 有介绍。
5、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 itemsiz 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。
import numpy as np
# 数组的 dtype 为 int8（一个字节）
x = np.array([1,2,3,4,5], dtype = np.int8)
print (x.itemsize)
# 数组的 dtype 现在为 float64（八个字节）
y = np.array([1,2,3,4,5], dtype = np.float64)
print (y.itemsize)
输出结果为：
1 8
6、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风格的连续段中 |
| F_CONTIGUOUS (F) | 数据是在一个单一的Fortran风格的连续段中 |
| OWNDATA (O) | 数组拥有它所使用的内存或从另一个对象中借用它 |
| 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 |
| UPDATEIFCOPY (U) | 这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新 |
import numpy as np
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 UPDATEIFCOPY : False
7、ndarray.real和ndarray.imag
ndarray.real 获取 ndarray 元素的实部，ndarray.imag 获取 ndarray 元素的虚部。如：
a = np.array([1+3j, 2+4j])
print("数组a是:", a)
print("实部:", a.real)
print("虚部:", a.imag)
输出结果为：
数组a是: [1.+3.j 2.+4.j]
实部: [1. 2.]
虚部: [3. 4.]