二、ndarray的属性 属性名称说明使用示例shape数组的形状：行数和列数arr.shapendim维度数量：是几维数组arr.ndimsize数组长度（元素个数）arr.sizedtype元素类型arr.dtypeT转置：行变列，列变行arr.Titemsize单个元素占用的内存字节数arr.itemsizenbytes数组总内存占用量arr.nbytesflags内存存储方式：是否连续存储arr.flagsarr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr) print("数组的形状：", arr.shape) print("数组的维度：", arr.ndim) print("数组的长度：", arr.size) print("数组的元素类型：", arr.dtype) print("数组转置：", arr.T) [[1 2 3] [4 5 6]] 数组的形状： (2, 3) 数组的维度： 2 数组的长度： 6 数组的元素类型： int64 数组转置： [[1 4] [2 5] [3 6]]

一、ndarray的特性 参考 b 站 mia 木棉老师1. 多维性支持 0维（标量）、1维（向量）、2维（矩阵）及更高维数组import numpy as np arr = np.array(1) print("arr维度：", arr.ndim) print(arr) arr维度： 0 1arr = np.array([1, 2, 3]) print("arr维度：", arr.ndim) print(arr) arr维度： 1 [1 2 3]arr = np.array([[1, 2, 3], [4, 5, 6]]) print("arr维度：", arr.ndim) print(arr) arr维度： 2 [[1 2 3] [4 5 6]]2. 同质性所有元素类型必须一致# 数组中元素类型不一致时，会被强制转换为相同的数据类型 arr = np.array([1, 'sunxiaochuan']) print(arr) ['1' 'sunxiaochuan']arr = np.array([1, True]) print(arr) [1 1]3. 高效性基于连续内存块存储，支持向量化运算