Python Numpy向量与矩阵加法

如果其中一个操作数是

nx1

矩阵，执行法向量加法的最佳方法是什么

我为什么在乎？有时，一个应该返回向量的函数会返回一个

nx1

矩阵（因为该函数将在矩阵上等效地按元素工作）。当我想进一步处理返回的“向量”时，我总是需要重新塑造——必须有更好的方法

例如：

v = np.zeros(shape=(2,1))
w = np.array([1,1])
print('{}, {}'.format(v.shape,w.shape))

印刷品：（2，1），（2，）

[[1.1] [1.1.]

[[1]

---

[1.]]（所需的输出！）

如果

w

具有所需的结果形状（例如

（2，）

），并且

v

具有相同的大小（例如

（2,1）

，或

（2，）

），这是安全和简单的：

w + v.reshape(w.shape)

一般来说，如果您只想去掉最后一个维度，并且知道它的长度为1，则可以执行以下操作：

w + v[..., 0]

---

如果

w

具有所需的结果形状（例如

（2，）

），并且

v

具有相同的大小（例如

（2,1）

，或

（2，）

），这是安全且简单的：

w + v.reshape(w.shape)

一般来说，如果您只想去掉最后一个维度，并且知道它的长度为1，则可以执行以下操作：

w + v[..., 0]

---

听起来有点像你来自MATLAB，所有的东西都是2d（标量大小是（1,1）），尾随维度是最外层的。或将“向量”视为单列矩阵的线性代数

在

numpy

中，0和1d数组与2d数组一样是普通数组。像（n，）这样的形状很常见。根据广播规则，添加前导维度是自动的（1，n），但添加尾随维度需要用户操作。

a[：，None]

是最惯用的，尽管不是唯一的选择

v+w

广播逻辑为

(2,1) + (2,) => (2,1) + (1,2) => (2,2)

自动引导逻辑避免了歧义（如果尝试将（2，）添加到（3，）？），会发生什么情况）。由于主导维度是“最外层的”，所以向那个方向扩展是最有意义的。另一方面，MATLAB“自然地”扩展和收缩尾随维度

因此，在某种程度上，（n，1）形状在

numpy

中更为笨拙，尽管它仍然相对容易创建

自动前导尺寸标注的另一个示例：

In [129]: np.atleast_2d(np.arange(3)).shape
Out[129]: (1, 3)

另一方面，

expand_dims

让我们在所有地方添加尺寸

In [132]: np.expand_dims(np.arange(3),(0,2,3)).shape
Out[132]: (1, 3, 1, 1)

---

听起来有点像你来自MATLAB，所有的东西都是2d（标量大小是（1,1）），尾随维度是最外层的。或将“向量”视为单列矩阵的线性代数

在

numpy

中，0和1d数组与2d数组一样是普通数组。像（n，）这样的形状很常见。根据广播规则，添加前导维度是自动的（1，n），但添加尾随维度需要用户操作。

a[：，None]

是最惯用的，尽管不是唯一的选择

v+w

广播逻辑为

(2,1) + (2,) => (2,1) + (1,2) => (2,2)

自动引导逻辑避免了歧义（如果尝试将（2，）添加到（3，）？），会发生什么情况）。由于主导维度是“最外层的”，所以向那个方向扩展是最有意义的。另一方面，MATLAB“自然地”扩展和收缩尾随维度

因此，在某种程度上，（n，1）形状在

numpy

中更为笨拙，尽管它仍然相对容易创建

自动前导尺寸标注的另一个示例：

In [129]: np.atleast_2d(np.arange(3)).shape
Out[129]: (1, 3)

另一方面，

expand_dims

让我们在所有地方添加尺寸

In [132]: np.expand_dims(np.arange(3),(0,2,3)).shape
Out[132]: (1, 3, 1, 1)

---

可以使用

.T

进行转置，如果需要添加单个维度，也可以在需要时使用，

w[：，None]添加额外维度

flatte`也很有用，谢谢你的[：无]提示！“.T”有什么帮助？比重塑更容易

.T

与transpose相同您可以使用

.T

进行转置，如果需要添加单个维度，也可以在需要时使用，

w[：，None]添加额外维度

flatte`也很有用，谢谢你的[：无]提示！“.T”有什么帮助？比重塑更容易

.T

与transposso相同，您的最佳做法是删除最后一个维度，如果它是1？有没有办法通过操作符（`+`这里）来“暗示”我不想要广播，或者我需要像@shx2建议的那样对操作数使用[…，0]呢？我把它作为向量保留的问题是：如果我想乘以vector.transpose*矩阵怎么办？对于形状为（n，）的向量，vector.T仍然有形状（n，）而不是（，n），这是什么乘法？不管怎样，

x[：，None]*M

都是惯用的

numpy

，如果维度需要的话。另外，如果方便保留（n，1）形状，则像

np.sum

这样的函数也有一个

keep_dims

参数。因此，您的最佳做法是删除最后一个维度，如果它是1？有没有办法通过操作符（`+`这里）来“暗示”我不想要广播，或者我需要像@shx2建议的那样对操作数使用[…，0]呢？我把它作为向量保留的问题是：如果我想乘以vector.transpose*矩阵怎么办？对于形状为（n，）的向量，vector.T仍然有形状（n，）而不是（，n），这是什么乘法？不管怎样，

x[：，None]*M

都是惯用的

numpy

，如果维度需要的话。如果方便保留（n，1）形状，则类似于

np.sum

的函数也有一个

keep_dims

参数。