Python中NumPy数组shape属性的深度解析

在Python中，NumPy库是处理数组数据的一个非常强大的工具。NumPy的数组对象拥有一个属性叫做shape，这个属性是一个元组，描述了数组的各个维度的大小。下面我们将详细解析shape[0]、shape[1]和shape[-1]的含义。
假设我们有一个二维数组（或者说矩阵），它的shape属性为(m, n)，其中m是行数，n是列数。

1. shape[0]：这是返回数组的第一个维度的大小，即行数。对于一个二维数组来说，shape[0]就是数组的行数。
   例如：

   import numpy as np
   arr = np.array([[1, 2, 3], [4, 5, 6]])
   print(arr.shape[0])  # 输出：2

2. shape[1]：这是返回数组的第二个维度的大小，即列数。对于一个二维数组来说，shape[1]就是数组的列数。
   例如：

   import numpy as np
   arr = np.array([[1, 2, 3], [4, 5, 6]])
   print(arr.shape[1])  # 输出：3

3. shape[-1]：这是返回数组的最后一个维度的大小。对于一个多维数组，可以通过索引负数来访问最后一个维度。对于一个二维数组来说，这与shape[1]相同，表示列数。
   例如：

   import numpy as np
   arr = np.array([[1, 2, 3], [4, 5, 6]])
   print(arr.shape[-1])  # 输出：3

   需要注意的是，对于更高维度的数组，使用负数索引可以方便地访问最后一个维度或倒数第二个维度等。例如，对于三维数组，shape[-2]表示倒数第二个维度的大小，而shape[-1]表示最后一个维度的大小。
   在实际应用中，了解和使用NumPy的shape属性是十分重要的，因为它能帮助我们更好地理解和操作多维数据。