我还是scikit learn和numpy的新手。我读了教程，但我不明白它们是如何定义数组维度的。
在以下示例中：
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
数组每行有五个变量，所以我希望它有5个维度。
为什么a.ndim等于2？
鉴于您正在使用scikit-learn，我将在机器学习的背景下对此进行解释，因为它可能更有意义。。。
你的特征矩阵（我认为这就是你在这里所说的）通常是二维的（因此为什么是ndim = 2），因为你有行（占据一维）和列（占据二维）
在机器学习的情况下，我通常认为行是样本，列是特征。
但是，请注意，每个维度可以有多个条目（例如，您将有多个样本/行和多个列/特征）。这条曲线会告诉你该尺寸的大小。
所以在你的情况下：
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
您有一个长度/大小为3的尺寸标注。第二个维度有5个条目。例如，您可以将其视为包含3个样本和5个特征/变量的特征矩阵。
总而言之，您有2个维度（ndim = 2），但数组的特定大小由shape tuple表示，它告诉这2个维度中的每个维度有多大。
此外，(3,5,2)将是具有3个维度的矩阵，其中第3个维度具有2个值
我认为这里的关键是，至少在二维的情况下，不要把它看作嵌套的列表或嵌套的向量（当你考虑[]时，这就是它的样子），而是把它看作一个有行和列的表。当您以
shape元组和ndim将更有意义Dimension表示有一个.shape元组的长度。ndarray的形状是（3，5），因为它有3行5列。这正是你想要找到的，不是吗？
我把Frame和Array弄错了，数组是根据如何找到数字来判断的，找到数字需要多少步，在这种情况下，你需要先找到行，然后找到行。但在Frame中，对于一个实例，该实例拥有一行，其中的所有行都描述了它的属性，或称之为变量或维度来定义实例。在Frame中，可以使用二维数组来定义多维实例。
所以你需要两个步骤才能找到数字，就像你可以用[][]来定位
Array
1 4 5
2 3 6
一样但在帧
Length Height Weight中这是一个框架，实际上是一个三维的"数组"，但它不是数组。
1 23 34 56
2 89 87 63