Vector 从矩阵切片创建行向量

我想知道是否有人有明确的方法从矩阵的切片返回行向量

matrix[k,:]

实际上返回一个大小为

（n，）

的向量，因此Julia会自动将其视为列向量，而不是行向量。到目前为止，我一直在使用语法

matrix[k,:]'

表示大小为

（1，n）

的行向量，但不知何故，这看起来很笨拙，而且根本不直观，因为这是行向量而不是列向量。与我交谈过的大多数数学家错误地假设这不是一个行向量

有没有一种更符合儒略的方法来获得更清晰的行向量切片

julia> m=rand(1:10,3,4)
3×4 Array{Int64,2}:
 4  5  3  9
 6  8  1  5
 4  5  3  4

julia> m[[1],:]
1×4 Array{Int64,2}:
 4  5  3  9

请注意，使用

view

s来避免数据复制几乎总是更好的：

julia> @view m[[1],:]
1×4 view(::Array{Int64,2}, [1], :) with eltype Int64:
 4  5  3  9

说明：

数组

元素的选择可以通过使用标量或iterables来完成。使用标量会导致删除给定维度。另一方面，使用集合不会删除维度。为了更好的解释，再考虑另一个例子：

julia> m[1:1,1:1]
1×1 Array{Int64,2}:
 4

您可以看到，仅选择了一个图元，但未删除尺寸标注。因此，您将得到一个只有一行和一列的

矩阵（即二维
数组
）

编辑（Colin T Bowers的评论-谢谢！）
决定是否使用视图不是琐事——主要是您的代码是否受益于缓冲。然而，令人惊讶的是，
view
s往往更好

julia> const vals = rand(200,200);

julia> using BenchmarkTools

julia> @btime sum(view(vals,1,:))
  169.392 ns (1 allocation: 48 bytes)
95.08924081258299

julia> @btime sum(vals[1,:])
  184.384 ns (1 allocation: 1.77 KiB)
95.08924081258299

让我们定义我们自己的求和函数

julia> function mysum(a::AbstractVector{A}) where A <: Number
    v = zero(A)
    @inbounds @simd for i in 1:length(a)
        v += a[i]
    end
    v
end;

julia> @btime mysum(view(vals,1,:))
  141.931 ns (0 allocations: 0 bytes)
95.08924081258299

julia> @btime mysum(vals[1,:])
  174.934 ns (1 allocation: 1.77 KiB)
95.08924081258297

好极了这正是我想要的。如果你能把
m[[1]，：]
与
m[1，：]
不同的原因添加到你的答案中，我很乐意接受。令人惊讶的是，对于行向量，有时不使用
view
要好得多。这是因为Julia中的矩阵是按列主顺序存储的，因此矩阵中的行片在内存中不是连续的。当输入在内存中连续时，许多常见的BLAS操作（如向量求和）都有奇妙的优化，因此，在许多情况下，创建行切片的新副本所浪费的时间被以下事实所抵消：新副本在内存中是连续的，并且可以利用BLAS优化。@NosKnowsAll我根据您的请求添加了解释。@ColinTBowers令人惊讶的是，查看或不查看的决定并不总是那么明显。我的经验是，你每次都需要进行基准测试——请看我的扩展编辑。@PrzemyslawSzufel哇，我并没有要求你添加解释，但你做得很好。完全同意，如果你的日常工作对性能至关重要，那么最好的选择就是基准测试，因为并不总是清楚哪种方法将占主导地位。话虽如此，
view
上的
sum
性能令人印象深刻，您的优化例程也是如此。我对在v0.3上做这个测试有一个模糊的记忆，在那些日子里，制作一个新的副本显然是赢家。语言已经走过了漫长的道路！
julia> @btime sum(view(vals,:,1))
  25.828 ns (1 allocation: 48 bytes)
96.04440265541243

julia> @btime mysum(view(vals,:,1))
  13.927 ns (0 allocations: 0 bytes)
96.04440265541243

julia> @btime sum(vals[:,1])
  167.745 ns (1 allocation: 1.77 KiB)
96.04440265541243