numpy np data_1d = np.array([]) data_2d = np.arange().reshape() data_3d = np.arange().reshape()
检查一个 ndarray 数据的维度和大小，分别用 ndim 和 shape 属性。
>>> (data_3d.ndim) >>> (data_3d.shape) ()
shape 是一个很关键的属性，我是这样把它和各个轴对应的：
shape: () kmn zyx
心法1: x, y, z 对应的shape元组是从右往左数的。
这是我的个人习惯，也符合主流的用法。
2图像数据的小误会
打开一幅 640 x 480 的图像：
numpy np matplotlib.pylab plt image = plt.imread() (image.shape)
不是 640 x 480 吗， 怎么倒过来了？我写代码的时候在这里总是犯迷糊。
在口头表达中，我们先说宽640，再说高480，而在计算机中是先高(y) 后宽(x)，注意了！
每个像素有三个颜色分量(color)，所以这个维度放在了最右边，可以理解，顺序就是 (y, x, c)
3抽象轴上的操作
对于4维及更高维度的数据，无法在3维空间图示。这个时候，就不要考虑形象思维了，直接按照规则做处理。
用 shape 属性返回的元组，从左到右，座标轴分别命名为 axis 0, axis 1, ...，请注意，现在是从左向右数，正好是这个元组的 index，在以后的运算中，都按此规定。
>>> (data.shape) ()
心法2: 抽象座标轴顺序从左向右。指定哪个轴，就只在哪个轴向操作，其他轴不受影响。
排序（sorting）
data = np.array(np.arange()) np.random.shuffle(data) data = data.reshape() (data) (np.sort(data=)) (np.sort(data=))
如果你在心中能把抽象轴和 x, y, z 对应起来，则理解轴向排序很容易。
shape: () axis: AXIS: yx
2. 求和、均值、方差、最大、最小、累加、累乘
这几个函数调用，一般会指定轴向，注意心法2
sum，mean，std，var，min，max 会导致这个轴被压扁，缩减为一个数值
data = np.arange().reshape() (data) ( np.sum(data=) ) ( np.sum(data=) )
cumsum，cumprod 不缩减轴向，只在指定轴向操作，请读者自己试验。
3. 索引和切片（indexing and slicing）
心法3: 在索引中出现冒号(:)，则本轴继续存在，如果只是一个数值，则本轴消失。
例如，像 :, :1, 1: 这样的索引，保留此轴， data[:, :1, 2:] 中，三个轴都保留。 data[1, 4, 2] 三个轴都消失，只返回一个数值。
data[1:2, 0:1, 0:1] 中，三个轴都保留，但只有一个数据元素，很神奇吧。
data = np.arange().reshape() ( data ) ( data[::] ) ( data[] ) ( data[:::] )
如何查看 ndarray 的维度呢？可以访问 shape 属性；如果打印出来了，那么就数一数起始的中括号个数，比如 [[[6]]]， 有三个 [，那么就是三维数组。你记住了吗？
4. 拼接（concatenating）
同样遵循心法2，指定哪个轴，就在哪个轴向拼接：
data = np.arange().reshape() ( np.concatenate([datadata]=) ) ( np.concatenate([datadata]=) )
4reshape 之迷乱
你有没有这个困惑：在 reshape 之后，数据在各个轴上是如何重新分配的？
搞清楚 ndarray 的数据在内存里的存放方式，以及各个维度的访问方式，reshape 困惑就迎刃而解了。
心法4: ndarray 的数据在内存里以一维线性存放，reshape 前后，数据没有变化，只是访问方式变了而已。
数据优先填充 X 轴向，其次 Y 轴，其次 Z 轴 。。。
有 C 语言基础的，很容易理解 ndarray 的实现，就是 C 中的多维数组而已。
data[][][]; data[][];
5总结
就说这么多，看了本文请亲自动手写代码体验一下。掌握此心法，可以纵横 numpy 世界而无大碍。