shape, ndim, size, T

.shape: numpy배열에서 객체의 차원에 대한 구성 정보 반환

1차독립: m개의 벡터들의 1차결합에서 모든 스칼라 값이 0일때만 1차결합=0이 성립하는 벡터집합
rank(행렬의 계수): 행렬A에서 1차독립인 행벡터의 최대수를 A의 계수(rank)라고 하며, rank A로 나타냄
-KREYSZIG공업수학

rank=1 일때 (요소 개수, )  

rank=2 일때 (행, 열)  

rank=3 일때 (행렬의 개수, 행, 열)  

rank=n 일때 (n차원의 행렬 개수, n-1차원의 행렬개수,..., 3차원의 행렬개수, 행, 열)

tensor_rank5 = [
                [[
                 [[1,2,5,8],[1,2,5,8],[1,2,5,8]],
                [[1,2,5,8],[1,2,5,8],[1,2,5,8]],
                [[1,2,5,8],[1,2,5,8],[1,2,5,8]],
                [[1,2,5,8],[1,2,5,8],[1,2,5,8]],
                [[1,2,5,8],[1,2,5,8],[1,2,5,8]]
]]
]
np.array(tensor_rank5,int).shape

>(1, 1, 5, 3, 4)

 

몇차원인지 쉽게 알려면 [ ] 가 몇 쌍인지 세보자

shape[숫자] = n차원의 행렬개수 or 행 or 열

 

.ndim: rank값 반환

np.array(tensor_rank5, int).ndim

>5

 

.size: 배열의 모든 데이터 개수 반환

np.array(tensor_rank5, int).size​

>60

#4*3*5=60

 

T: 행렬의 전치

전치행렬은 주어진 행렬의 행들을 열들로 (혹은, 열들을 행들로) 나타내어 얻어진다.
이것은 물론 벡터에 대해서도 적용되어, 행벡터는 열벡터가 되고 열벡터는 행벡터가 된다.
-KREYSZIG공업수학

x = np.arange(1,16).reshape(-1,3)
print(x)
print()
print(x.T)

>[[ 1  2  3]

   [ 4  5  6]

   [ 7  8  9]

   [10 11 12]

   [13 14 15]]

 

  [[ 1 4 7 10 13]

   [ 2 5 8 11 14]

   [ 3 6 9 12 15]]