Python 为什么可以'；对于单行向量，t x[：，0]=x[0]？

我对python比较陌生，但我试图理解一些基本的东西

创建一个向量：

x = np.linspace(0,2,3)
Out[38]: array([ 0.,  1.,  2.])

为什么x[：，0]不是一个值参数

IndexError: invalid index

它必须是x[0]。我调用了一个函数，该函数计算：

np.sqrt(x[:,0]**2 + x[:,1]**2 + x[:,2]**2)

为什么我所拥有的不能是真实的，不管输入是什么？它可以使用许多其他语言，与数组中的其他行无关。也许我误解了一些基本的东西——如果是的话，对不起。我想避免把：

if len(x) == 1:
    norm = np.sqrt(x[0]**2 + x[1]**2 + x[2]**2)
else:
    norm = np.sqrt(x[:,0]**2 + x[:,1]**2 + x[:,2]**2)

到处都是。肯定有办法解决这个问题。。。谢谢

编辑：用另一种语言工作的示例是Matlab：

>> b = [1,2,3]
b =
     1     2     3 
>> b(:,1)
ans =
     1
>> b(1)
ans =

     1

---

也许你正在寻找这个：

np.sqrt(x[...,0]**2 + x[...,1]**2 + x[...,2]**2)

可以有任意数量的尺寸来代替省略号

…

---

另请参见，我倾向于通过写作来解决这个问题

x = np.atleast_2d(x)
norm = np.sqrt(x[:,0]**2 + x[:,1]**2 + x[:,2]**2)

Matlab没有一维数组，因此

b=[1 2 3]

仍然是一个二维数组，使用二维索引是有意义的。这对您来说可能是一个新颖的概念，但实际上它们非常有用（您可以不用担心是否需要乘以转置，在另一个数组中插入行或列…）

顺便说一句，你可以写一个更奇特、更普遍的规范，像这样：

x = np.atleast_2d(x)
norm = np.sqrt((x**2).sum(axis=1))

---

问题在于Python中的x[：，0]与Matlab中的不同。 如果要提取单行向量中的第一个元素，应该使用

x[:1] 

这被称为“切片”。在本例中，这意味着您获取数组中的所有内容，从第一个元素到索引为1（不包括）的元素

请记住，Python具有基于零的编号

另一个例子可能是：

x[0:2] 

---

它将返回数组的第一个和第二个元素。

看起来@JanneKarila所描述的省略号已经回答了您的问题，但我想指出如何使您的代码更“numpythonic”。似乎您希望处理具有形状（d_1，d_2，…，d_{n-1}，3）的n维数组，并计算此三维向量集合的大小，从而生成具有形状（d_1，d_2，…，d_{n-1}）的（n-1）维数组。一个简单的方法是将所有元素平方，然后沿最后一个轴求和，然后取平方根。如果

x

是数组，则可以编写该计算

np.sqrt（np.sum（x**2，axis=-1））

。下面是几个例子

x为一维，形状为（3，）：

x为二维，形状为（2,3）：

x为三维，形状为（2,2,3）：

---

这不可能是真的，因为当数组只有一个维度时，您为维度1指定了索引，为维度2指定了索引。Python是显式的而不是隐式的。用另一种语言提供一个示例，我们将帮助您编写对数组的解释，使其具有相同的隐式假设。您可以编写

x.ndim

而不是

len（x）

。它不会有什么区别，但它是一个清晰易读的名称。啊，这比调用

np.至少\u 2d

并沿着第一个轴求和要好得多，就像我在回答中那样。

In [31]: x = np.array([1.0, 2.0, 3.0])

In [32]: np.sqrt(np.sum(x**2, axis=-1))
Out[32]: 3.7416573867739413

In [33]: x = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])

In [34]: x
Out[34]: 
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])

In [35]: np.sqrt(np.sum(x**2, axis=-1))
Out[35]: array([ 3.74165739,  8.77496439])

In [36]: x = np.arange(1.0, 13.0).reshape(2,2,3)

In [37]: x
Out[37]: 
array([[[  1.,   2.,   3.],
        [  4.,   5.,   6.]],

       [[  7.,   8.,   9.],
        [ 10.,  11.,  12.]]])

In [38]: np.sqrt(np.sum(x**2, axis=-1))
Out[38]: 
array([[  3.74165739,   8.77496439],
       [ 13.92838828,  19.10497317]])