如何定义一个ndarray数组？理解ndarray三维数组立方体

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

在前面的dataframe文章里面，苏南大叔曾经描述过dataframe和ndarray是可以相互转化的。就二维ndarray而言，dataframe可以理解为：ndarray=>csv格式，dataframe=>excel格式。换句话说，dataframe就是多了列和行（索引）的概念。

大家好，这里是苏南大叔的程序如此灵动博客，记录的是苏南大叔的编程经验感想。测试环境：win10，python@3.11.0，numpy@1.24.2，pandas@1.5.3。

基础知识

是要了解DataFrame和二维ndarray的类型互转方式，参考文章：

• https://newsn.net/say/dataframe-ndarray.html

其次，还是要认识到DataFrame类型的.values属性就是个numpy的ndarray类型，参考文章：

• https://newsn.net/say/dataframe-labels.html

定义一个ndarray

ndarray最朴素的理解就是N维数组，当然了，对传统的数组进行了强制类型转换。测试代码：

import numpy as np
a1__ = np.array( [1, 2, 3] )                 # 一维
a2__ = np.array( [[1, 2, 3]] )               # 二维
a2_2 = np.array( [[1, 2, 3], [4, 5, 6]] )    # 二维
a3__ = np.array( [[[ 1, 2, 3 ]]] )           # 三维
a3_2 = np.array( [[[ 1, 2, 3 ], [4, 5, 6] ], [[ 7, 8, 9 ], [10, 11, 12] ]] )   # 三维

判断维数的方式

最朴素的方式，就是数一下最外层的[数量，来确定一下到底是几个维度的数据。还可以打印一下.ndim属性来确定一下维数。

print(a1__.ndim)           # 1
print(a2__.ndim)           # 2
print(a2_2.ndim)           # 2
print(a3__.ndim)           # 3
print(a3_2.ndim)           # 3

三维数组立方体

对于维度1和维度2来说，都非常好理解，这里不解释。就是这个理解为立方体的三维数组，该是什么样的呢？这必然引发了另外一个轴的概念。原有的二维数组，就是三维数组中的一个层，可以理解为立方体最上面的第一个面。从最上面的面，到最后一个面，中间有无数层数据。

下面的图来展示下面的三维数据：

np.array( [[[ 1, 2, 3 ], [4, 5, 6] ], [[ 7, 8, 9 ], [10, 11, 12] ]] ) 

辅助理解，换句话说：如果读者面对着最上面一层的话，那么第二层第三层就在屏幕的后方了。

苏南大叔在睡梦中想这个问题，结合后续的数组翻转话题，觉得这个立方体理解为一本书的外壳更加合适，即这个六面体中的面有三个是实际存在的，另外三个是虚的不存在的。（否则书是怎么翻开的呢？）

结束语

不是说没有四维五维等更多维度的ndarray，只不过三维的立方体就已经非常难以理解了，苏南大叔这里就不做过多描述了，免得大家的CPU冒烟。而且平时也用不到那么多的维度，不是？

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。