NumPy中ndarray的解剖结构如下所示：(来源：
Physics Dept, Cornell Uni)
一旦离开2D空间并进入3D或更高维空间,行和列的概念就不再有意义了.但是你仍然可以直观地理解3D阵列.例如,考虑你的例子：
In [41]: b
Out[41]:
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
In [42]: b.shape
Out[42]: (2, 2, 3)
这里b的形状是(2,2,3).您可以这样想,我们将两个(2×3)矩阵堆叠在一起形成一个3D阵列.要访问第一个矩阵,您将索引到数组b,如b [0],并访问第二个矩阵,您将索引到数组b,如b [1].
# gives you the 2D array (i.e. matrix) at position `0`
In [43]: b[0]
Out[43]:
array([[1, 2, 3],
[4, 5, 6]])
# gives you the 2D array (i.e. matrix) at position 1
In [44]: b[1]
Out[44]:
array([[ 7, 8, 9],
[10, 11, 12]])
但是,如果您输入4D或更高的空间,则很难从阵列本身中获得任何意义,因为我们人类很难看到4D和更多维度.因此,我们宁愿只考虑ndarray.shape属性并使用它.
有关如何使用(嵌套)列表构建更高维数组的更多信息：
对于1D数组,数组构造函数需要一个序列(元组,列表等),但使用常规列表.
In [51]: oneD = np.array([1, 2, 3,])
In [52]: oneD.shape
Out[52]: (3,)
对于2D数组,它是列表列表,但也可以是列表元组或元组元组等：
In [53]: twoD = np.array([[1, 2, 3], [4, 5, 6]])
In [54]: twoD.shape
Out[54]: (2, 3)
对于3D数组,它是列表列表的列表：
In [55]: threeD = np.array([[[1, 2, 3], [2, 3, 4]], [[5, 6, 7], [6, 7, 8]]])
In [56]: threeD.shape
Out[56]: (2, 2, 3)
附：在内部,ndarray存储在内存块中,如下图所示. (来源：Enthought)
