Python 如何制作二维形状的numpy数组

我有这样的简单数组

x = np.array([1,2,3,4])

In [3]: x.shape
Out[3]: (4,)

---

但是我不希望shape返回（4，），而是（4，1）。如何实现这一点？

如果要使用列向量

x2 = x[:, np.newaxis]
x2.shape  # (4, 1)

---

下面是你想要的。但是，我强烈建议您看看为什么需要

shape

返回（4，1）。大多数矩阵类型的操作都可以在没有这种显式转换的情况下进行

x = np.array([1,2,3,4])
y = np.matrix(x)
z = y.T

x.shape  # (4,)
y.shape  # (1, 4)
z.shape  # (4, 1)

---

或者，您可以自己重塑阵列：

arr1 = np.array([1,2,3,4])
print arr1.shape
# (4,)

arr2 = arr1.reshape((4,1))
print arr2.shape
# (4, 1)

当然，您可以在创建阵列时重塑阵列：

arr1 = np.array([1,2,3,4]).reshape((4,1))

如果要按照注释中@FHTMitchell的建议在适当位置更改阵列：

arr1.resize((4, 1))

---

通常在Numpy中，您可以使用

两个方括号

声明矩阵或向量。对一维矩阵或向量使用单方括号是常见的误解

以下是一个例子：

a = np.array([[1,2,3,4], [5,6,7,8]])
a.shape # (2,4) -> Multi-Dimensional Matrix

类似地，如果我想要一维矩阵，那么只需删除数据，而不是外部的

方括号

a = np.array([[1,2,3,4]])
a.shape # (1,4) -> Row Matrix

b = np.array([[1], [2], [3], [4]])
b.shape # (4, 1) -> Column Matrix

当使用单方括号时，可能会给出一些奇怪的尺寸

始终将数据放在此类一维矩阵的另一个方括号内（如输入多维矩阵的数据），而不包含这些额外维度的数据

另外：您也可以随时重塑

x = np.array([1,2,3,4])
x = x.reshape(4,1)
x.shape # (4,1)

一行：

x = np.array([1,2,3,4]).reshape(4,1)
x.shape # (4,1)

---

您可以使用

zip

在python（非numpy）级别进行转置：

---

请注意，尽管这在键击方面很方便，但考虑到必须为每个列表元素构造一个元组对象，而重塑数组基本上是免费的，这有点浪费。因此，不要在长列表中使用此选项。

这会改变类型，从而产生连锁反应

x*x.T==数组（[1,4,9,16]）

但是

y*y.T=矩阵（[30]]）

。由于python添加了

@

操作符（py 3.5），建议不要使用

np.matrix

@FHTMitchell，是的，它确实会更改类型。如果用户在python版本上，或者甚至在适当的位置

arr1=np.array（[1,2,3,4]）；arr1.resize（（4，1））

您可以给出一个用例来说明为什么需要（4，1）。给出有效的上下文可能有助于其他人理解这个问题。使用单方括号创建的1d数组在

numpy

中是完全正常的。虽然（1,4）和（4,1）数组有很好的用途，但我更喜欢将（4，）作为默认形状。这没有什么奇怪的@我不是说没用的。这是一个简单的秩1数组。使用numpy的问题是，我们像在矩阵中一样执行计算，（4，）的维数有时会带来不一致性。像a，和a.T似乎没有任何区别。如果你处理大量的数据，那么你将需要一些特定的维度，而不仅仅是（4），因为一些数学运算可能会提供一些不一致性，并会花费一整天的时间来查找bug。谢谢

>>> a = [1, 2, 3, 4]
>>> 
>>> *zip(a),
((1,), (2,), (3,), (4,))
>>> 
>>> import numpy as np
>>> np.array([*zip(a)])
array([[1],
       [2],
       [3],
       [4]])