NumPy size简介

NumPy size简介

NumPy size是一个用来计算给定数组中某一轴的总元素或数值的函数，当我们提供一个不同数据结构的输入数组时，我们可以通过向numpy size函数提供轴0或1来计算它们在其轴上的总数值，numpy size函数一般用于测量给定数组中轴上的总元素数。

语法

numpy round函数的基本语法是:

numpy.size(array, axis = None)

• numpy.size表示测量给定数组中轴上元素总数的函数。
• 数组代表输入数组，我们想在其中计算轴上的值。
• Axis表示给定数组中元素的行和列。Axis一般被声明为0和1。

NumPy大小的例子

下面给出了NumPy size的例子。

例子#1

一个基本的例子，用于理解Numpy size函数的工作原理。

代码:

import numpy as np
array1=np.array([[2, 4, 6, 8], [5, 10, 15, 20]])
array2=np.array([[3, 6, 9], [5, 10, 15]])
array3=np.array([[10, 20, 30, 40, 60], [15, 10, 35, 40, 50]])
print(np.size(array1))
print(np.size(array2))
print(np.size(array3))

输出:

在上面的例子中，我们声明了三个数组，array1, array2 & array3，作为numpy size函数的输入。输入的数组由一组整数值组成，目标是找到数组轴上的数值的数量。

我们已经打印了数组的相应输出，第一个输出显示了数组1中存在的8个元素或整数。第二条打印语句给了我们数组2中存在的数值或整数的总大小，第三条打印语句给了数组3中存在的10的总大小。

例子#2

在这个例子中，我们将看到如何使用numpy size函数中的轴声明，它允许我们指定一个特定的轴来测量给定数组中的元素数量。

代码:

import numpy as np
array1=np.array([[2, 4, 6, 8], [5, 10, 15, 20]])
array2=np.array([[3, 6, 9], [5, 10, 15]])
array3=np.array([[10, 20, 30, 40, 60], [15, 10, 35, 40, 50]])
print(np.size(array1,0))
print(np.size(array2,1))
print(np.size(array3,1))

输出:

在上面的例子中，我们声明了三个数组，array1, array2 & array3，作为numpy size函数的输入。输入的数组由一组整数值组成，目标是找到数组轴中的数值数量。因此，除了前面的例子之外，我们还向numpy size函数声明了轴的参数。

我们已经打印了数组的相应输出，第一个输出向我们展示了数组1的axis=0中存在的2组值或元素。第二条打印语句给了我们存在于数组2的axis=1中的数值或整数的总大小；由于在axis1中有三个元素，我们得到的输出是3。

第三条打印语句给出了数组3的轴1中存在的5的总大小。

例子#3

让我们用不同的例子来尝试，并检查输出，以便更好地理解。

代码:

import numpy as np
array1=np.array([[2, 4, 6, 8], [5, 10, 15, 20]])
array2=np.array([[3, 6, 9],[30, 40, 41]])
array3=np.array([[10, 20, 30, 40, 60], [15, 10, 35, 40, 50],[30, 40, 60,95,115]])
array4=np.array([[430, 510, 160], [15, 10, 50],[30, 40, 60]])
print(np.size(array1,0))
print(np.size(array2,1))
print(np.size(array3,0))
print(np.size(array4,1))

输出:

在上面的例子中，我们声明了四个数组，array1, array2, array3 & array3，作为numpy size函数的输入。输入的数组由一组整数值组成，目标是找到数组轴上的数值的数量。因此，我们在输入数组中声明了多个值的组合，并通过向numpy size函数声明不同的轴参数来打印它们相应的大小。

第一个数组有2组4个值，当给定轴为0时，我们得到2作为数组1的大小，因为第0个轴中总共有2组值。

第二个数组给我们的输出是3，因为该数组在两组数值中共有3个元素，由于声明的轴是1，我们得到的输出是3。类似地，对于第三和第四个数组，我们得到的输出分别是3和3，轴0和轴1。

例子 #4

代码:

import numpy as np
array1=np.array([[2, 4, 6, 8], [5, 10, 15, 20]])
array2=np.array([[3, 6, 9],[30, 40, 41]])
array3=np.array([[10, 20, 30, 40, 60], [15, 10, 35, 40, 50],[30, 40, 60,95,115]])
array4=np.array([[430, 510, 160], [15, 10, 50],[30, 40, 60]])
print(np.size(array1,1))
print(np.size(array2,0))
print(np.size(array3,1))
print(np.size(array4,0))

输出:

与前面的例子类似，我们声明了同样的4个数组，并试图计算它们在输入数组的不同轴上的大小。例如，数组1中轴1的大小为4，数组2中轴0的大小为2，数组3中轴1的大小为5，数组4中轴0的大小为3，所以像这样，我们可以用它们的轴位置计算出给定数组的大小。

例子#5

让我们看看另一个例子，我们不使用np.size语句和轴来计算数组的大小。

代码:

import numpy as np
x = np.arange(2, 10)
y = np.arange(5, 20)
z = np.arange(2, 10,2)
print(x.size)
print(y.size)
print(z.size)

输出:

在这个例子中，我们使用numpy arange函数生成了数组x、y和z，我们简单地使用size函数来计算变量x、y和z中存在的总元素，并打印了它们相应的输出。这是一个比较简单的方法，我们可以使用变量名和size关键字来找到数组中的总元素。

总结

在这篇文章中，我们已经看到了numpy size函数的细节，使用各种例子来理解numpy size函数及其用途。我们还看到了如何使用不同的数组来计算总元素的大小。我们还声明了轴的位置，并根据轴的位置来计算数组的大小。