Bỏ qua đến nội dung chính
Mục lục

shape, ndim, dtype trong NumPy: mảng 2 chiều, astype()

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 5/23 · Chương 2

Mảng và tư duy vector

  • 7 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Mảng hai chiều trong NumPy là một bảng số có hàng và cột, và mỗi mảng mang theo vài thuộc tính cho biết hình dạng và kiểu của nó: shape (numpy shape), ndim, size, dtype. Đọc được bốn thuộc tính này là việc đầu tiên khi bạn nhận một mảng lạ, trước khi tính bất cứ thứ gì trên nó.

Cần biết trước: mảng NumPy và list lồng nhau làm bảng.

Mảng 2 chiều từ list lồng nhau

Sổ chi tiêu ghi bốn khoản (ăn uống, nhà ở, di chuyển, giải trí) trong ba tháng đầu năm, tính bằng nghìn đồng. Mỗi tháng là một list, ba list xếp trong một list lớn; np.array() biến list lồng nhau đó thành một bảng:

python
import numpy as np

chi = np.array([[6124, 5233, 626, 500],
                [5239, 5214, 451, 1365],
                [6545, 5222, 457, 776]])
print(chi)

KẾT QUẢ

[[6124 5233  626  500]
 [5239 5214  451 1365]
 [6545 5222  457  776]]

Mỗi list con thành một hàng (một tháng), mỗi vị trí trong list con thành một cột (một khoản). NumPy căn các số thẳng cột khi in, nên bảng dễ đọc hơn list lồng nhau. Trong toán, bảng số như vậy gọi là ma trận.

shape, ndim và size

Ba thuộc tính cho biết hình dạng của mảng. shape cho biết mỗi chiều dài bao nhiêu, gói trong một tuple; ndim đếm số chiều; size đếm mọi ô của mảng:

python
import numpy as np

chi = np.array([[6124, 5233, 626, 500],
                [5239, 5214, 451, 1365],
                [6545, 5222, 457, 776]])
print(chi.shape, chi.ndim, chi.size)
thang_1 = np.array([6124, 5233, 626, 500])
print(thang_1.shape, thang_1.ndim, thang_1.size)

KẾT QUẢ

(3, 4) 2 12
(4,) 1 4

(3, 4) đọc là 3 hàng, 4 cột: chiều đầu là hàng, chiều sau là cột. size bằng tích các số trong shape, 3 × 4 = 12. Mảng một chiều in shape là (4,): tuple chỉ có một số vẫn cần dấu phẩy, nếu không Python đọc (4) là số 4. Thuộc tính viết không có ngoặc tròn, vì chúng là giá trị gắn với mảng chứ không là phương thức để gọi: chi.shape() báo lỗi.

Đổi thang_1 = np.array([6124, 5233, 626, 500]) thành thang_1 = np.array([6124, 5233]) rồi chạy lại: dòng hai in (2,) 1 2.

dtype: một kiểu cho mọi phần tử

List chứa được số, chuỗi, bool lẫn lộn; mảng NumPy thì chọn một kiểu chung cho mọi phần tử, gọi là dtype:

python
import numpy as np

print(np.array([29000, 32500.5]).dtype)
print(np.array([True, False]).dtype)
print(np.array(["Huế", "Đà Lạt"]).dtype)

KẾT QUẢ

float64
bool
<U6

Chỉ cần một số thực, cả mảng thành float64 (số thực 64 bit), và 29000 được lưu thành 29000.0. Kết quả của phép so sánh trên mảng có kiểu bool, dùng để lọc trong bài boolean mask. Với mảng chuỗi, <U6 nghĩa là mỗi ô chứa chuỗi Unicode tối đa sáu ký tự, đủ cho chuỗi dài nhất là "Đà Lạt".

Đổi kiểu bằng astype()

astype() trả về một mảng mới với kiểu bạn chọn; mảng cũ giữ nguyên. Giá món đọc từ sổ là số thực, đổi sang số nguyên cho gọn:

python
import numpy as np

gia = np.array([45900.0, 32500.0, 28750.0])
gia_nguyen = gia.astype(int)
print(gia_nguyen)
print(gia)
print(np.issubdtype(gia_nguyen.dtype, np.integer))

KẾT QUẢ

[45900 32500 28750]
[45900. 32500. 28750.]
True

Dòng hai cho thấy gia vẫn là số thực: astype() không sửa mảng gốc. np.issubdtype(kieu, np.integer) hỏi một kiểu có thuộc nhóm số nguyên không, mà không cần biết tên chính xác của nó; lý do nằm ở mục cuối.

int32 và int64: kiểu số nguyên đổi theo nền

Mảng số nguyên không có một kiểu cố định ở mọi nơi. Trên máy tính 64 bit (Windows, macOS, Linux), NumPy mặc định dùng int64; trang này chạy Python trong trình duyệt bằng Pyodide, một nền 32 bit, nên cùng dòng code cho int32. Khối dưới đây chạy trên máy của bạn, không chạy trên trang, vì nó in đúng thứ khác nhau giữa hai nơi; kết quả là của một lần chạy bằng Python 3.14:

python
import numpy as np

chi = np.array([6124, 5233, 626, 500])
print(chi.dtype)

KẾT QUẢ

int64

Chạy trên máy của bạn · Đoạn này cần Python cài trên máy, trang không chạy được.

Trên trang, cùng dòng print in int32. Hai kiểu chứa cùng các số nhỏ, chỉ khác giới hạn: int32 chứa tới khoảng 2,1 tỉ, int64 tới khoảng 9,2 tỉ tỉ. Vì vậy code của bạn nên giữ hai điều:

  • Hỏi nhóm kiểu bằng np.issubdtype(a.dtype, np.integer) thay cho so a.dtype == "int64".

  • Tiền tính bằng đồng có thể vượt 2,1 tỉ khi cộng cả năm; quy về nghìn hay triệu đồng, hoặc tạo mảng với dtype=np.int64 khi cần số lớn.

Kiểm tra nhanh

  1. Sau import numpy as np, np.array([[1, 2, 3], [4, 5, 6]]).shape trả về gì?

    • (3, 2)
    • (2, 3)
    • 6
  2. Sau import numpy as np, print(np.array([2.7, 3.2]).astype(int)) in ra gì?

    • [2 3]
    • [3 3]
    • [2.7 3.2]
  3. Với bang = np.array([[5, 1], [2, 8], [7, 4]]), những câu nào đúng?

    • bang.ndim bằng 2
    • bang.size bằng 6
    • bang.shape là (2, 3)
    • bang.shape là (3, 2)
  4. Sau import numpy as np, np.array([[1, 2], [3]]) báo lỗi gì?

    • Báo lỗi TypeError
    • Báo lỗi IndexError
    • Báo lỗi ValueError
Đúng hết lần đầu +15 XP

Bài tập

Đọc kích thước của một bảng số

Trước khi tính, bạn muốn in kích thước của mọi bảng nhận được. bang là một mảng hai chiều bất kỳ, kể cả bảng chưa có hàng nào. Viết thân hàm kich_thuoc_bang(bang): lấy số hàng, số cột và tổng số ô của bảng. Hàm không sửa bang của nơi gọi.

Dùng shape và size, không dùng vòng lặp for.

Trả về: ba số (so_hang, so_cot, so_o) theo đúng thứ tự đó, một tuple.

Ví dụ với bảng chi tiêu ba tháng, bốn khoản ở đầu bài, hàm cho (3, 4, 12).

python
import numpy as np


def kich_thuoc_bang(bang):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • np.array() biến list lồng nhau thành mảng hai chiều; mọi hàng phải dài bằng nhau.

  • shape cho độ dài từng chiều, hàng trước cột sau; ndim đếm số chiều; size đếm mọi ô.

  • Mảng một chiều có shape dạng (4,), có dấu phẩy.

  • dtype là kiểu chung của mọi phần tử: một số thực làm cả mảng thành float64.

  • astype() trả mảng mới với kiểu mới; đổi số thực sang số nguyên thì np.round() trước.

  • Số nguyên NumPy là int32 trên trang và int64 trên máy 64 bit; hỏi nhóm kiểu bằng np.issubdtype().

Câu hỏi thường gặp

shape của mảng NumPy khác len() thế nào?

len() chỉ đếm chiều đầu tiên: với bảng (3, 4), len(chi) là 3, số hàng. shape cho đủ mọi chiều, còn size đếm mọi phần tử. Với mảng một chiều, len() và size bằng nhau.

Làm sao đổi hình một mảng, ví dụ từ 12 số thành bảng 3 × 4?

Dùng reshape(): nó giữ nguyên các phần tử và xếp lại theo shape mới, miễn tích các chiều bằng size. Bài reshape() trong NumPy dạy cách đổi hình, làm phẳng và chuyển vị.

Có nên luôn ghi dtype=np.int64 khi tạo mảng số nguyên?

Không cần với số nhỏ như số lượng, điểm, tiền tính bằng nghìn đồng: int32 đủ chứa. Ghi dtype=np.int64 khi số có thể vượt khoảng 2,1 tỉ, như tổng tiền bằng đồng của cả chuỗi cửa hàng, để trang và máy cho cùng kết quả.

Đọc file CSV số thì dtype là gì?

np.loadtxt() mặc định đọc thành float64; thêm dtype=int để nhận số nguyên ngay khi đọc. Bài np.loadtxt() chỉ cách đọc file doanh thu và chọn cột.

Chủ đề

numpy shape

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập