numpy.array（value）是什么意思？

当您创建像这样的零维数组时np.array(3)，您将获得一个对象，该对象在99.99％的情况下均表现为数组。您可以检查基本属性：

>>> x = np.array(3)
>>> x
array(3)
>>> x.ndim
0
>>> x.shape
()
>>> x[None]
array([3])
>>> type(x)
numpy.ndarray
>>> x.dtype
dtype('int32')

到现在为止还挺好。其背后的逻辑很简单：可以通过将其包装在调用中，以相同的方式处理任何类似于数组的对象，而不管它是数字，列表还是数组np.array。

要记住的一件事是，当您为数组建立索引时，索引元组必须具有ndim或更少的元素。所以你不能做：

>>> x[0]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: too many indices for array

相反，您必须使用大小为零的元组（因为x[]语法无效）：

>>> x[()]
3

您还可以将数组用作标量：

>>> y = x + 3
>>> y
6
>>> type(y)
numpy.int32

将两个标量相加会产生的标量实例，而dtype不是另一个数组。话虽y如此x，由于dtypes继承自，因此您可以以与99.99％的时间完全相同的方式使用此示例ndarray。没关系的3是Python int，因为无论如何np.add都会将它包装起来array。y = x + x将产生相同的结果。

之间的一个区别x，并y在这些例子是，x在没有正式被认为是一个标量：

>>> np.isscalar(x)
False
>>> np.isscalar(y)
True

索引问题可能会在计划索引任何数组类似对象的计划中给您带来麻烦。您可以通过将其ndmin=1作为构造函数的参数或使用来轻松解决它reshape：

>>> x1 = np.array(3, ndmin=1)
>>> x1
array([3])

>>> x2 = np.array(3).reshape(-1)
>>> x2
array([3])

我通常建议使用前一种方法，因为它不需要输入维数的先验知识。

进一步阅读：

• 为什么Numpy中的0d数组不视为标量？