numpy 数组的“维数”是什么意思？

Question

我还是 scikit-learn 和 numpy 的新手。 我阅读了教程，但我无法理解它们是如何定义数组维度的。

在下面的例子中：

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2

数组每行有五个变量，所以我希望它有 5 个维度。

为什么a.ndim 等于 2？

Answer 1

鉴于您使用的是 scikit learn，我将在机器学习的背景下对此进行解释，因为它可能更有意义...

您的特征矩阵（我假设这就是您在这里谈论的内容）通常是二维的（因此为什么 ndim = 2），因为您有行（占据一维）和列（占据第二个维度）

在机器学习案例中，我通常将行视为样本，将列视为特征。

但是请注意，每个维度可以有多个条目（例如，您将有多个样本/行和多个列/特征）。这会告诉您沿该维度的大小。

所以在你的情况下：

>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2

您有一个长度/大小为 3 的维度。第二个维度有 5 个条目。例如，您可以将其视为包含 3 个样本和 5 个特征/变量的特征矩阵。

总而言之，您有 2 个维度 (ndim = 2)，但数组的具体大小由 shape tuple 表示，它告诉您 2 个维度中每个维度的大小。

此外，(3,5,2) 将是一个具有 3 维的矩阵，其中第 3 维有 2 个值

我认为这里的关键是，至少在二维情况下，不要将其视为嵌套列表或嵌套向量（当您考虑 [] 时，它看起来就是这样），而只是想到它作为具有行和列的表。当您以这种方式考虑数据结构时，shape 元组和ndim 会更有意义

Answer 2

Dimension 表示 a.shape 元组的长度。 ndarray 的形状是 (3, 5)，因为它有 3 行和 5 列。这正是你试图找到的，不是吗？

Answer 3

我把Frame和Array搞错了，array是根据怎么找数字来判断的，多少步才能找到数字，这种情况下需要先定位行，再定位行。但是在Frame中，例如，这个实例拥有一行，并且其中的所有行都描述了它的属性，或者称为变量，或者定义实例的维度。在 Frame 中，您可以使用二维数组来定义多维实例。
Array
1 4 5
2 3 6
因此，您将通过两个步骤找到号码，就像您可以通过 [][] 进行定位
但在框架中
          Length    Height    Weight
1        23           34           56
2        89           87           63
这是一个框架，实际上是一个 3 维“数组”，但它不是一个数组。