首先放結論：shape(x,)是一維數組，ndim=1,[1,2,3,…x] ;shape(1,x)是二維？數組，ndim=2,[[1,2,3,…n]]

由于array.shape 表示數組的維度，返回一個元組，這個元組的長度就是維度的數目，即 ndim
屬性(秩)。一個二維數組，其維度表示"行數"和"列數"。

說人話，
nidm屬性 秩=維度/數=軸的數量，一維數組ndim=1,二維數組ndim=2
shape屬性返回一個元組，元組的長度=ndim,二維數組的shape=(行數，列數)，一維數組shape=（列數，）PS：因為一維數組ndim=1嘛，所以會這樣表示！
array.size屬性，數組元素的總個數，相當于 .shape 中 n*m 的值
axis=0，表示沿著第 0 軸進行操作，即對每一列進行操作
axis=1，表示沿著第1軸進行操作，即對每一行進行操作。


（先理解這么多，其他的真的理解不了 。。。。11.22）

1. 一個參數時，參數值為終點，起點取默認值0，步長取默認值1

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

2. 兩個參數時，第一個參數為起點，第二個參數為終點，步長取默認值1。包前不包后

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

3. 三個參數時，第一個參數為起點，第二個參數為終點，第三個參數為步長；步長支持小數。

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

參考
稍微一看，shape為(x,)和shape為(x,1)幾乎一樣，都是一維的形式。其實不然：

(x,)意思是一維數組，數組中有x個元素
(x,1)意思是一個x維數組，每行有1個元素

numpy中reshape函數的三種常見相關用法
1、numpy.arange(n).reshape(a, b) 依次生成n個自然數，并且以a行b列的數組形式顯示

np.arange(16).reshape(2,8) #生成16個自然數，以2行8列的形式顯示
# 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) 必須是矩陣格式或者數組格式，才能使用 .reshape(c, -1) 函數， 表示將此矩陣或者數組重組，以 c行d列的形式表示

arr.shape    # (a,b)
arr.reshape(m,-1) #改變維度為m行、d列 （-1表示列數自動計算，d= a*b /m ）
arr.reshape(-1,m) #改變維度為d行、m列 （-1表示行數自動計算，d= a*b /m ）

-1的作用: 自動計算d：d=數組或者矩陣里面所有的元素個數/c, d必須是整數，不然報錯）
（reshape(-1, m)即列數固定，行數需要計算）
3、

• numpy.arange(a,b,c) 從 數字a起, 步長為c, 到b結束，生成array 【a,b)
• numpy.arange(a,b,c).reshape(m,n) ：將array的維度變為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]])

參考：

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]])