`numpy.array(value)` 的含义是什么？

Question

numpy.array(value) 计算结果为真，如果值为 int、float 或 complex。结果似乎是一个无形的数组（numpy.array(value).shape 返回()）。

像numpy.array(value).reshape(1) 那样重塑上面的形状可以正常工作，numpy.array(value).reshape(1).squeeze() 会反转它并再次导致无形数组。

这种行为背后的原因是什么？这种行为存在哪些用例？

Answer 1

当您创建像np.array(3) 这样的零维数组时，您会得到一个在 99.99% 的情况下表现为数组的对象。您可以检查基本属性：

>>> x = np.array(3)
>>> x
array(3)
>>> x.ndim
0
>>> x.shape
()
>>> x[None]
array([3])
>>> type(x)
numpy.ndarray
>>> x.dtype
dtype('int32')

到目前为止一切顺利。这背后的逻辑很简单：您可以以同样的方式处理任何类似数组的对象，无论它是数字、列表还是数组，只需将其包装在对 np.array 的调用中即可。

要记住的一点是，当您索引数组时，索引元组必须有ndim 或更少的元素。所以你不能这样做：

>>> x[0]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: too many indices for array

相反，您必须使用大小为零的元组（因为x[] 是无效语法）：

>>> x[()]
3

您也可以将数组用作标量：

>>> y = x + 3
>>> y
6
>>> type(y)
numpy.int32

添加两个标量会生成dtype 的标量实例，而不是另一个数组。话虽如此，您可以在 99.99% 的情况下以与 x 完全相同的方式使用此示例中的 y，因为 dtypes 继承自 ndarray。 3 是 Python int 并不重要，因为 np.add 无论如何都会将它包装在 array 中。 y = x + x 将产生相同的结果。

在这些示例中，x 和 y 之间的一个区别是，x 不是官方认为是标量：

>>> np.isscalar(x)
False
>>> np.isscalar(y)
True

索引问题可能会在您索引任何数组类对象的计划中引发麻烦。您可以通过将 ndmin=1 作为参数提供给构造函数或使用 reshape 轻松绕过它：

>>> x1 = np.array(3, ndmin=1)
>>> x1
array([3])

>>> x2 = np.array(3).reshape(-1)
>>> x2
array([3])

我一般推荐前一种方法，因为它不需要输入维度的先验知识。

进一步阅读：

• Why are 0d arrays in Numpy not considered scalar?