首先放结论：shape(x,)是一维数组，ndim=1,[1,2,3,…x] ;shape(1,x)是二维？数组，ndim=2,[[1,2,3,…n]]

由于array.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim
属性(秩)。一个二维数组，其维度表示"行数"和"列数"。

说人话，
nidm属性 秩=维度/数=轴的数量，一维数组ndim=1,二维数组ndim=2
shape属性返回一个元组，元组的长度=ndim,二维数组的shape=(行数，列数)，一维数组shape=（列数，）PS：因为一维数组ndim=1嘛，所以会这样表示！
array.size属性，数组元素的总个数，相当于 .shape 中 n*m 的值
axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作
axis=1，表示沿着第1轴进行操作，即对每一行进行操作。


（先理解这么多，其他的真的理解不了 。。。。11.22）

1. 一个参数时，参数值为终点，起点取默认值0，步长取默认值1

>>> np.arange(5) 
array([0, 1, 2, 3, 4])

2. 两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。包前不包后

>>> np.arange(5,10)
array([5, 6, 7, 8, 9])

3. 三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长；步长支持小数。

>>> np.arange(5,10,2) 
array([5, 7, 9])

参考
稍微一看，shape为(x,)和shape为(x,1)几乎一样，都是一维的形式。其实不然：

(x,)意思是一维数组，数组中有x个元素
(x,1)意思是一个x维数组，每行有1个元素

numpy中reshape函数的三种常见相关用法
1、numpy.arange(n).reshape(a, b) 依次生成n个自然数，并且以a行b列的数组形式显示

np.arange(16).reshape(2,8) #生成16个自然数，以2行8列的形式显示
# Out: 
# array([[ 0,  1,  2,  3,  4,  5,  6,  7],
#       [ 8,  9, 10, 11, 12, 13, 14, 15]])

2、mat (or array).reshape(c, -1) 必须是矩阵格式或者数组格式，才能使用 .reshape(c, -1) 函数， 表示将此矩阵或者数组重组，以 c行d列的形式表示

arr.shape    # (a,b)
arr.reshape(m,-1) #改变维度为m行、d列 （-1表示列数自动计算，d= a*b /m ）
arr.reshape(-1,m) #改变维度为d行、m列 （-1表示行数自动计算，d= a*b /m ）

-1的作用: 自动计算d：d=数组或者矩阵里面所有的元素个数/c, d必须是整数，不然报错）
（reshape(-1, m)即列数固定，行数需要计算）
3、

• numpy.arange(a,b,c) 从 数字a起, 步长为c, 到b结束，生成array 【a,b)
• numpy.arange(a,b,c).reshape(m,n) ：将array的维度变为m 行 n列。

>>> np.arange(1,11,2)              
array([1, 3, 5, 7, 9])
>>> np.arange(1,12,2).reshape(2,-1) 
array([[ 1,  3,  5],[ 7,  9, 11]])

参考：

array([[1, 2, 3],[4, 5, 6]])
>>> c=c.reshape(3,2) 
>>> c
array([[1, 2],[3, 4],[5, 6]])
>>> c=c.reshape(-1,6) 
>>> c
array([[1, 2, 3, 4, 5, 6]])
>>> c=c.reshape(6,-1) 
>>> c
array([[1],[2],[3],[4],[5],[6]])