Python 形状为（N，1）的数组与形状为（N）的数组有什么区别？如何在两者之间转换？

Python新手来自MATLAB背景

我有一个1列数组，我想将该列移动到3列数组的第一列。有了MATLAB背景，我会这样做：

import numpy as np

A = np.zeros([150,3]) #three column array

B = np.ones([150,1]) #one column array which needs to replace the first column of A

#MATLAB-style solution:

A[:,0] = B

但是这不起作用，因为A的“形状”是（150,3），B的“形状”是（150,1）。显然，命令A[：，0]的结果是（150）的“形状”

那么，（150,1）和（150）之间的区别是什么？它们不是一样的东西吗：列向量？为什么Python还没有“足够聪明”来理解我想把列向量B放到A的第一列中

有没有一种简单的方法可以将具有形状（N，1）的单列向量转换为具有形状（N）的单列向量？

我是Python新手，这似乎是一件非常愚蠢的事情，因为MATLAB做得更好…

使用方法消除大小为1的维度

A[:,0] = B.squeeze()

或者从创建B一维开始：

B = np.ones([150])

NumPy保持一维数组和二维数组（其中一个维度为1）之间的区别这一事实是合理的，特别是当人们开始使用n维数组时

回答标题中的问题：形状数组

（3，）

之间存在明显的结构差异，例如

[1, 2, 3]

[[1], [2], [3]]

以及形状

（3，1）

的数组，例如

[1, 2, 3]

[[1], [2], [3]]

---

有几件事是不同的。在

numpy

中，数组可以是0d或1d或更高。在MATLAB中，2d是最小的（并且一度是唯一的尺寸）。MATLAB很容易扩展端点，因为它是

Fortran排序的

numpy

，默认情况下是按c排序的，并且最容易在前面扩展尺寸

In [1]: A = np.zeros([5,3])
In [2]: A[:,0].shape   
Out[2]: (5,)

无论是

a[0，：]

还是

a[：，0]

，简单的索引都可以减少维度。与之相比，3d MATLAB矩阵，

a（1，：，：）

v

a（：，：，1）

numpy

执行

广播

，在求和和和赋值等操作期间调整维度。一个基本规则是，如果需要，维度可以自动向起点展开：

In [3]: A[:,0] = np.ones(5)
In [4]: A[:,0] = np.ones([1,5])
In [5]: A[:,0] = np.ones([5,1])
...
ValueError: could not broadcast input array from shape (5,1) into shape (5)

它可以将

（5，）

LHS更改为（1,5），但不能将其更改为（5,1）

另一个广播示例，

+

：

In [6]: A[:,0] + np.ones(5);
In [7]: A[:,0] + np.ones([1,5]);
In [8]: A[:,0] + np.ones([5,1]);

现在（5，）与（5,1）一起工作，但那是因为它变成了（1,5），与（5,1）一起产生（5,5）-一种外部产品广播：

In [9]: (A[:,0] + np.ones([5,1])).shape
Out[9]: (5, 5)

---

八度

>> x = ones(2,3,4);
>> size(x(1,:,:))
ans =
   1   3   4
>> size(x(:,:,1))
ans =
   2   3
>> size(x(:,1,1) )
ans =
   2   1
>> size(x(1,1,:) )
ans =
   1   1   4

---

要完成您想要的任务，请调整任一侧

以保留维度数量的方式编制索引：

In [11]: A[:,[0]].shape    
Out[11]: (5, 1)
In [12]: A[:,[0]] = np.ones([5,1])

将（5,1）转换为（1,5）：

将（5,1）展平/展开至（5，）：

挤压

，

拉威尔

也有效

---

一些倍频程的快速测试表明，当涉及到尺寸不匹配时，它更宽容。但是

numpy

优先考虑一致性。一旦理解了广播规则，行为就有了意义。

在MATLAB中，矩阵总是2d（或更高）。从numpy的角度来看，这是一个人工构造。为什么不是1d（向量）甚至0d？