[python] 關於 numpy 以及1~5維度的資料

如題，由於在機器學習中，必定會遇到資料，例如:
x_train = array([[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
...,
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.]], dtype=float32)

那個透過 numpy，可以得到 x_train.shape = (50000, 784) ，究竟 numpy, x_train 是什麼呢? 如何知道資料類型? 有哪些屬性? 有哪些方法?

x_train 數據和其形狀 (50000, 784)，這說明它是一個 NumPy 數組，通常用於深度學習和機器學習中的數據集表示。以下是對 x_train 的分析：

● x_train 是什麼？

類型：x_train 是一個 NumPy 數組（numpy.ndarray）。
數據形狀：它的形狀為 (50000, 784)，這意味著這個數組有 50000 行和 784 列。在機器學習中，每一行(row)通常代表一個樣本，每一列(column)代表一個特徵。

● 其中的數據代表什麼？

根據形狀，這個數組可能用於表示圖像數據集，其中每行(row)代表一個扁平化的圖像。例如，在手寫數字識別問題（如 MNIST 數據集）中，每個 28x28 像素的圖像被扁平化為一個長度為 784 的一維數組。
數據類型為 float32，這是深度學習中常用的數據類型，用於減少內存消耗並提高計算效率。

● NumPy 數組的主要屬性:

ndarray.shape：數組的各維度大小。
ndarray.size：數組中元素的總數。
ndarray.dtype：數組元素的數據類型。
ndarray.ndim：數組的維數。

● NumPy 數組的常用方法:

reshape：改變數組的形狀。
flatten 或 ravel：將多維數組降為一維。
transpose：轉置數組。
sum、mean、std 等：計算統計量。
max、min：尋找最大值和最小值。

import numpy as np

# 假設 x_train 是一個 numpy 數組
x_train = np.array(x_train)  # 使用您提供的數據

# 獲取數組的形狀
shape = x_train.shape  # 結果將是 (50000, 784)

# 扁平化第一個圖像
flattened_image = x_train[0].flatten()

# 計算所有樣本的平均值
mean_val = x_train.mean()

● NumPy 中1~5維度的資料:

import numpy as np

# 創建一個一維數組
array_1d = np.array([1, 2, 3, 4, 5])
# 查看形狀
print(array_1d.shape)  # 輸出: (5,)


# 創建一個二維數組（矩陣）
array_2d = np.array([[1, 2], [3, 4], [5, 6]])
# 查看形狀
print(array_2d.shape)  # 輸出: (3, 2)


# 創建一個三維數組
array_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
# 查看形狀
print(array_3d.shape)  # 輸出: (2, 2, 2)


# 創建一個四維數組
array_4d = np.array([[[[1], [2]], [[3], [4]]], [[[5], [6]], [[7], [8]]]])
# 查看形狀
print(array_4d.shape)  # 輸出: (2, 2, 2, 1)


# 創建一個五維數組
array_5d = np.array([[[[[1], [2]], [[3], [4]]], [[[5], [6]], [[7], [8]]]], 
                     [[[[9], [10]], [[11], [12]]], [[[13], [14]], [[15], [16]]]]])
# 查看形狀
print(array_5d.shape)  # 輸出: (2, 2, 2, 2, 1)


# 在這些示例中，每增加一個維度，數組的結構就變得更加複雜。shape 屬性清晰地顯示了每個維度上的元素數量，這對於理解數據結構和進行數據操作非常重要。