在前文中，我们学习了如何创建 NumPy 数组。创建数组只是第一步，要高效地操作和理解这些数组，你必须先了解它们的核心属性。这些属性就像是数组的“身份证”，详细描述了它的结构和内容。本篇将重点介绍 NumPy 数组最常用的四个属性：shape, dtype, ndim, 和 size。
1. 为什么数组属性如此重要？
在处理数据时，你经常需要知道数据的维度、大小和类型，以便进行正确的计算和转换。例如：
- 形状 (
shape)：你想对两个矩阵进行乘法运算，你必须先确认它们的形状是否符合乘法规则。 - 数据类型 (
dtype)：你想计算一个数组的平均值，你需要知道它是否由数字组成，而不是字符串。 - 维数 (
ndim)：你想将一个三维的图像数据展平为一维，你需要知道它的维数。 - 总大小 (
size)：你想评估一个数组占用的内存大小，你需要知道它包含多少个元素。
掌握这些属性，能让你在数据处理中做到心中有数，避免许多常见的错误。
2. NumPy 数组核心属性详解
我们将通过一系列示例来深入了解这四个属性。
2.1 shape：数组的形状
shape 属性是一个元组，它告诉你在数组的每一个维度上，有多少个元素。元组的长度等于数组的维数 (ndim)。
- 功能: 表示数组在每个轴上的大小。
- 类型: 元组
(d1, d2, ..., dn)，其中 d_id\_id_i 是第 iii 维的大小。
示例与说明:
import numpy as np
# 一维数组 (向量)
arr1d = np.array([1, 2, 3, 4, 5])
print("一维数组:", arr1d)
print("形状 (shape):", arr1d.shape) # 输出: (5,)
# 只有一个维度，大小为 5。元组中的逗号表示它是一个单元素元组。
# 二维数组 (矩阵)
arr2d = np.array([[10, 11, 12], [13, 14, 15]])
print("\n二维数组:\n", arr2d)
print("形状 (shape):", arr2d.shape) # 输出: (2, 3)
# 两个维度：第一个维度有 2 行，第二个维度有 3 列。
# 三维数组
arr3d = np.arange(1, 28).reshape(3, 3, 3)
print("\n三维数组:\n", arr3d)
print("形状 (shape):", arr3d.shape) # 输出: (3, 3, 3)
# 三个维度：3 个“页” (blocks)，每个页有 3 行，每行有 3 列。
# shape 的灵活运用：重塑 (Reshaping)
# shape 属性本身是不可变的，但你可以使用 `reshape()` 方法来改变数组的形状。
arr = np.arange(12)
print("\n原始数组 (12个元素):", arr)
arr_reshaped = arr.reshape((3, 4))
print("重塑为 3x4 矩阵:\n", arr_reshaped)
print("新形状:", arr_reshaped.shape)
# 注意：重塑时新旧数组的元素总数必须相同 (12 = 3 * 4)。
# 重塑时，可以使用 -1 作为某个维度的大小，NumPy 会自动计算它。
arr_auto_reshaped = arr.reshape((2, -1))
print("自动计算形状 (2x6):\n", arr_auto_reshaped)
print("新形状:", arr_auto_reshaped.shape)
shape 是数据处理和算法设计中最关键的属性之一。
2.2 dtype：数组的数据类型
dtype 属性描述了数组中元素的数据类型。因为 ndarray 是同质的，所有元素都必须是相同类型。NumPy 支持比标准 Python 类型更丰富的数值类型，例如 int8, int32, float64, bool_ 等，这使得内存使用更高效，计算更精确。
- 功能: 表示数组中每个元素的数据类型。
- 类型:
numpy.dtype