Python 为什么在二维阵列的Numpy切片中使用负索引？

我试图理解一个Udacity线性回归示例，其中包括：

data = np.loadtxt('data.csv',delimiter=',') # This is known to be a 2-columns, many rows array
X = data[:,:-1]
y = data[:,-1]

因此，如果我理解，

X

是一个单列数组，它捕获了

数据的所有列，但最后一列除外（实际上只捕获第一列），
y
是一个单列数组，只捕获
数据的最后一列

我的问题是为什么不这样写代码：

X = data[:,0]
y = data[:,1]

它不是更清晰/更清晰吗？
X
是一个
（n，1）
2D数组，因为切片保留了维度。另一种措辞是

X = data[:, :1]
X = data[:, 0, None]
X = data[:, 0].reshape(-1, 1)

y
是一个
（n，）
1D数组

这些形状对于用于实现回归的线性代数可能很重要。
制作一个自己的小测试数组，并检查结果。你确定
数据
总是（n，2）形状吗？
数据[：，：-1]
是二维数组，
数据[：，0]
是一维数组。回归需要一个2D数组。@hpaulj-该示例只允许使用（n，2）形数组。当然，我认为它们可以生成一个不同形状的数组，但是没有理由将相关列放在索引1和-1处……使用
X
和
y
表明
X
应该是一个（n，m）数组，而
y
a（n，）
X
将是具有
m
特征和
y
标签的数据。这是机器学习中常见的分裂。我们必须看看用这些变量来扩展的代码，我不明白。X和y都是1列X多行，对吗？你是说尽管如此，他们在本质上还是不同的吗？@JDelage<代码>y
不是一列。广播到2D将使其成为n列，一行。另一个关于形状的例子是，如果将一对2D数组传递给
numpy.dot
，如果形状不完全正确，它们将引发错误。你需要追溯这些量是用来理解形状的用途的。好了，我现在明白了：我的命题改变了矩阵的形状。在给定的示例中，X是一个1列X多行数组，而我提出的结果是一个简单的1D数组（向量）。元素是相同的，但形状不同，显然这很关键。@JDelage。确切地此外，广播在右侧排列维度，因此在某些情况下，
Y
将被视为行向量。但是，例如，
np.dot
，会根据1D数组是第一个参数还是第二个参数而对其进行不同的处理。还有其他一些奇怪的情况，但正如你所说的，尺寸是至关重要的。