Python np.数组的形状，意外的附加维度

我在用python处理数组，这引起了很多疑问

1） 我从N个文件中生成一个读取4列的列表，并在列表中存储4个元素N次。然后，我将此列表转换为numpy数组：

s = np.array(s)

我想知道这个阵列的形状。答案是正确的：

print s.shape
#(N,4)

然后，我生成此Nx4阵列的平均值：

s_m = sum(s)/len(s)
print s_m.shape
#(4,)

我猜这意味着这个数组是一维数组。这是正确的吗

2） 如果我从数组s的行中减去平均向量s_m，我可以用两种方式进行：

residuals_s = s - s_m

或：

如果我现在问这两种情况下残差的形状，我会得到两个不同的答案。在第一种情况下，我得到：

(N,4)

在第二部分：

(N,1,4)

---

有人能解释为什么会有一个额外的维度吗？

您使用的是NumPy ndarray，而没有使用NumPy中的函数，

sum（）

是python内置函数，您应该使用

NumPy.sum（）

我建议您将代码更改为：

import numpy as np
np.random.seed(0)
s = np.random.randn(10, 4)
s_m = np.mean(a, axis=0, keepdims=True)
residuals_s = s - s_m

print s.shape, s_m.shape, residuals_s.shape

---

将

mean（）

函数与

axis

和

keepdims

参数一起使用将得到正确的结果。

可以使用numpy方法获得平均值（生成相同的（4，）形状）：

s-sum

之所以有效，是因为

s\m

被“广播”到

s

的维度

如果我运行第二个

残差

我会得到一个包含空列表和数组的列表：

[[],
 array([ 1.02649662,  0.43613824,  0.66276758,  2.0082684 ]),
 [],
 array([ 1.13000227, -0.94129685,  0.63411801, -0.383982  ]),
 ...
]

它不会转换为（N，1，4）数组，而是转换为dtype=object的（M，）数组。你复制粘贴正确了吗

修正的迭代是：

for i in range(len(s)):
    residuals_s.append(s[i]-s_m)

生成一个更简单的数组列表：

[array([ 1.02649662,  0.43613824,  0.66276758,  2.0082684 ]),
 array([ 1.13000227, -0.94129685,  0.63411801, -0.383982  ]),
...]

它转换为（N，4）数组

通常不需要这样的迭代。但如果是的话，像这样添加到列表中是一种方法。另一种是预分配数组，并分配行

residuals_s = np.zeros_like(s)
for i in range(s.shape[0]):
    residuals_s[i,:] = s[i]-s_m

我得到你的（N，1,4）与：

这里，

s[i]-s\m

数组被附加到一个空列表，该空列表已附加到主列表。所以它是一个列表中的数组。正是这个中间列表产生了中间的

1

维度。

s_m=sum（s）/len（s）

应该给出一个浮点。在正常情况下，您的输出对我来说很奇怪……我认为tmp具有形状（1,4）。因此，N个版本的tmp数组当然具有形状（N，1，4）。因此，我认为解决方案应该是使用类似于

残差附加（tmp.reformate（-1））

的东西。

[array([ 1.02649662,  0.43613824,  0.66276758,  2.0082684 ]),
 array([ 1.13000227, -0.94129685,  0.63411801, -0.383982  ]),
...]

residuals_s = np.zeros_like(s)
for i in range(s.shape[0]):
    residuals_s[i,:] = s[i]-s_m

In [39]: residuals_s=[]
In [40]: for i in range(len(s)):
   ....:     residuals_s.append([])
   ....:     tmp = s[i] - s_m
   ....:     residuals_s[-1].append(tmp)
In [41]: residuals_s
Out[41]: 
[[array([ 1.02649662,  0.43613824,  0.66276758,  2.0082684 ])],
 [array([ 1.13000227, -0.94129685,  0.63411801, -0.383982  ])],
...]
In [43]: np.array(residuals_s).shape
Out[43]: (10, 1, 4)