Python 为什么我们需要np.squent（）？

通常，数组是通过

np.squence（）

压缩的。在文档中，它说

从a的形状中删除一维条目

---

然而，我仍然在想：为什么零和无量纲的条目是a的形状？或者换一种说法：为什么

a.shape=（2,1）

和

（2，）

都存在？

一个重要的例子是当数组相乘时。两个二维数组将一次乘以每个值

e、 g

如果将一维数组乘以二维数组，则行为不同

>>> z = np.ones((2,))*3
>>> x*z
array([[ 6.,  6.],
       [ 6.,  6.]])

---

其次，您可能还希望压缩早期维度，例如a.shape=（1,2,2）到a.shape=（2,2）

除了这两个事物之间的数学差异之外，还有可预测性问题。如果您的建议被采纳，那么您在任何时候都不能依赖数组的维度。因此，任何形式为

my_array[x，y]

的表达式都需要替换为首先检查

my_array

是否实际上是二维的，并且在某个点上没有隐式的

挤压。这可能会使代码变得更加模糊，而不是偶尔的
挤压
，它会做一件明确指定的事情

事实上，甚至可能很难判断哪个轴被移除了，从而导致了一系列新问题

本着“显式优于隐式”的精神，我们也可以说，相对于隐式数组转换，我们更喜欢显式
压缩
。
这有助于您摆脱无用的一维数组，如使用
[7,8,9]
而不是
[[7,8,9]]]
或
[[1,2,3]，[4,5,6]]
而不是
[[1,2,3]，[4,5,6]]
。
例如，从教程点检查此项。
挤压（2,1）数组时，会得到（2，），它同时作为（2,1）和（1,2）工作：

对于（2,1）数组，这是不可能发生的：

固定到一个更传统的风格
>>> z = np.ones((2,))*3
>>> x*z
array([[ 6.,  6.],
       [ 6.,  6.]])

>>> a = np.ones(2)
>>> a.shape
(2,)
>>> a.T.shape
(2,)
>>> X = np.ones((2,2))*2
>>> np.dot(a,X)
[4. 4.]
>>> np.dot(X,a)
[4. 4.]

>>> b = np.ones((2,1))
>>> np.dot(b,X)
Traceback (most recent call last):
ValueError: shapes (2,1) and (2,2) not aligned: 1 (dim 1) != 2 (dim 0)