Python 一维numpy数组的行为是否总是像行向量？

我试图对numpy中的广播规则有一个很好的理解，但我注意到我首先需要对什么是一维numpy阵列有一个很好的理解。我发现多个来源说一维numpy数组既不是水平向量也不是垂直向量。从这一点上，我希望它的行为会有所不同，这取决于所完成的操作和操作的其他组件。但我真的找不到一维数组的行为像列向量的情况。例如：

a = np.arange(3)
b = np.arange(3)[:, np.newaxis]
a + b
array([[0, 1, 2],
      [1, 2, 3],
      [2, 3, 4]])

这表明

a

的行为类似于水平向量。另一方面，如果我们将其添加到水平向量

b

：

a = np.arange(3)
b = np.arange(3)[np.newaxis, :]
a + b
array([[0, 1, 4]])

---

a

的行为仍然类似于水平向量。另一方面，

a

似乎对

.T

的转换漠不关心。所以我的问题是-一维numpy阵列总是模仿水平向量行为吗？如果不是，当它们的行为类似于标准垂直向量时会出现什么情况？

您刚才遇到的是numpy数组的右对齐属性。当您有一个形状

（n，）

的向量和一些其他形状

（a，b，c，d，…，z）

数组时，numpy将始终尝试将向量广播到形状

（1，1，…，n）

，最后检查

n

是否可以使用

z

进行广播（换句话说，

z

是

n

的倍数）

现在，如果您不希望出现这种行为，您必须明确地告诉numpy，您希望如何通过使用

np.newaxis

将axis添加到向量中，从而与正在使用的另一个数组进行广播。您还可以使用函数

np.broadcast\u arrays

获取广播的数组

比如说,

将numpy导入为np
a=np.array（[1,2,3]）
b=np.眼（3）
#首先将a广播到形状（1，3）
#将向量a添加到b的行中
# [[1, 0, 0]      [[1, 2, 3]
#  [0, 1, 0]   +   [1, 2, 3]
#  [0, 0, 1]]      [1, 2, 3]]
打印（a+b）
#明确地告诉numpy你想要什么
#要广播的向量
#现在，a首先广播到shape（3，1）
#向量a被添加到b的列中
# [[1, 0, 0]      [[1, 1, 1]
#  [0, 1, 0]   +   [2, 2, 2]
#  [0, 0, 1]]      [3, 3, 3]]
打印（b+a[np.newaxis，：]）

您刚才遇到的是numpy数组的右对齐属性。当您有一个形状

（n，）

的向量和一些其他形状

（a，b，c，d，…，z）

数组时，numpy将始终尝试将向量广播到形状

（1，1，…，n）

，最后检查

n

是否可以使用

z

进行广播（换句话说，

z

是

n

的倍数）

现在，如果您不希望出现这种行为，您必须明确地告诉numpy，您希望如何通过使用

np.newaxis

将axis添加到向量中，从而与正在使用的另一个数组进行广播。您还可以使用函数

np.broadcast\u arrays

获取广播的数组

比如说,

将numpy导入为np
a=np.array（[1,2,3]）
b=np.眼（3）
#首先将a广播到形状（1，3）
#将向量a添加到b的行中
# [[1, 0, 0]      [[1, 2, 3]
#  [0, 1, 0]   +   [1, 2, 3]
#  [0, 0, 1]]      [1, 2, 3]]
打印（a+b）
#明确地告诉numpy你想要什么
#要广播的向量
#现在，a首先广播到shape（3，1）
#向量a被添加到b的列中
# [[1, 0, 0]      [[1, 1, 1]
#  [0, 1, 0]   +   [2, 2, 2]
#  [0, 0, 1]]      [3, 3, 3]]
打印（b+a[np.newaxis，：]）

你真的在问广播规则，它适用于所有阵列，而不仅仅是1d。1d不是特例。在

numpy

中，“行向量”没有特殊含义。（1,3）数组只是一个二维数组；（3,1）是另一个形状。你真的在问广播规则，它适用于所有阵列，而不仅仅是1d。1d不是特例。在

numpy

中，“行向量”没有特殊含义。（1,3）数组只是一个二维数组；（3,1）是另一个形状。