python数组常用的属性有哪些？每个属性的具体功能是什么？

Python中常用的数组有两种，分别是列表（List）和元组（Tuple）。

对于列表（List），常用的属性包括：

1. len(list)：返回列表中元素的个数。
2. list.append(obj)：在列表末尾添加一个新的对象。
3. list.extend(seq)：在列表末尾一次性追加另一个序列中的多个值。
4. list.insert(index, obj)：将对象插入列表中的指定位置。
5. list.remove(obj)：移除列表中某个值的第一个匹配项。
6. list.pop([index=-1])：移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。
7. list.index(obj)：从列表中找出某个值第一个匹配项的索引位置。
8. list.count(obj)：统计某个元素在列表中出现的次数。
9. list.sort()：对列表进行排序。
10. list.reverse()：倒序排列列表中的元素。

对于元组（Tuple），常用的属性包括：

1. len(tuple)：返回元组中元素的个数。
2. tuple.index(obj)：从元组中找出某个值第一个匹配项的索引位置。
3. tuple.count(obj)：统计某个元素在元组中出现的次数。

这些属性的具体功能，可以根据名称和注释翻译得出。

相关问题

Python数组里的shape是什么意思？

### Python 中 NumPy 数组 `shape` 属性的含义

NumPy 提供了一种高效处理多维数组的方式，其中 `shape` 是一个非常重要的属性。对于一个多维数组而言，`shape` 返回的是一个元组，该元组中的每一个元素表示对应维度上的大小。

例如，在创建一个二维数组时：

import numpy as np

arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(f"The shape of the array is {arr_2d.shape}")  # 输出 (2, 3)[^2]

这里 `(2, 3)` 表明这是一个拥有两行三列的矩阵形式的数据结构。每一项代表相应轴上所含有的元素数量；第一个数总是指最外层括号内的列表数目（即行数），而第二个数则指向内部嵌套列表里元素的数量（即列数）。如果存在更多层次，则依次类推[^4]。

当涉及到更高维度的情况时，比如三维甚至四维以上的张量，`shape` 的作用依然保持一致——返回各维度长度组成的元组来描述整个数据集的空间布局特性。这使得开发者能够轻松获取并理解当前正在使用的具体形状信息以便于后续的操作与变换。

#### 示例代码展示如何查看不同类型的数组及其对应的 `shape` 值

# 创建几种不同类型和尺寸的数组实例
scalar_example = np.array(789)                    # 标量
vector_example = np.array([1, 2, 3])             # 向量/一维数组
matrix_example = np.array([[1, 2], [3, 4]])      # 矩阵/二维数组
tensor_example = np.random.rand(2, 3, 4)         # 高阶张量/三维及以上数组

# 打印各个例子的 shape 特征
print(f"Scalar's shape: {scalar_example.shape}")
print(f"Vector's shape: {vector_example.shape}")
print(f"Matrix's shape: {matrix_example.shape}")
print(f"Tensor's shape: {tensor_example.shape}")

上述代码片段展示了多种常见情况下的 `shape` 使用方法，并通过实际的例子帮助加深对这一概念的理解[^3]。

python 数组维度

在Python中，数组（也称为列表或ndarray）的维度是指其数据结构在内存中排列的方式，它表示数组有多少个嵌套层次。每个维度代表了数据的一种“列”或“行”的概念。例如，一维数组只有一个层级，只有一行或一列；二维数组有两层，可以看作是一个表格，包含多行多列；三维数组则有三层，常用于图像处理，其中每层是一张图片。

你可以通过`len()`函数获取数组的维度，对于`numpy`库中的`ndarray`，形状信息存储在`.shape`属性里，该属性会返回一个元组，元素个数即为维度，元组的每个元素对应一个维度的大小。

举个例子：

import numpy as np

# 一维数组
arr_1d = np.array([1, 2, 3])
print(arr_1d.shape)  # 输出 (3,)，表示一维，长度为3

# 二维数组
arr_2d = np.array([[4, 5], [6, 7]])
print(arr_2d.shape)  # 输出 (2, 2)，表示两维，2x2矩阵

# 三维数组
arr_3d = np.array([[[8, 9], [10, 11]], [[12, 13], [14, 15]]])
print(arr_3d.shape)  # 输出 (2, 2, 2)，表示三维，两个2x2矩阵的集合