numpy:为什么(x,1)和(x,)维度之间存在差异

Dah*_*lai 11 python numpy

我想知道为什么在numpy中有维度的一维数组(长度,1)以及维度(长度)的一维数组w/o第二个值.

我经常遇到这种情况,例如在使用时np.concatenate() 需要reshape预先执行一步(或者我可以直接使用hstack/ vstack).

我想不出为什么这种行为是可取的.谁能解释一下?

编辑:
其中一条评论建议我的问题可能是重复的.我对Numpy的底层工作逻辑更感兴趣,而不是1d和2d数组之间存在区别,我认为这是所提到的线程的重点.

hpa*_*ulj 9

a的数据ndarray存储为1d缓冲区 - 只是一块内存.数组的多维特性由shape和strides属性以及使用它们的代码生成.

的numpy开发人员选择,以允许尺寸的任意数量的,所以形状和进展被表示为任何长度的元组,包括0和1.

相比之下,MATLAB是围绕为矩阵运算开发的FORTRAN程序构建的.在早期,MATLAB中的所有东西都是2d矩阵.在2000年左右(v3.5),它被推广到允许超过2d,但从不少.在numpy np.matrix依然沿用旧的2D MATLAB约束.

如果您来自MATLAB世界,您将习惯这两个维度,以及行向量和列向量之间的区别.但是在不受MATLAB影响的数学和物理学中,矢量是一维数组.Python列表本身就是1d,c数组也是如此.要获得2d,您必须具有列表的列表或指向数组的指针数组,并x[1][2]具有索引样式.

看看这个数组及其变体的形状和步幅:

In [48]: x=np.arange(10)

In [49]: x.shape
Out[49]: (10,)

In [50]: x.strides
Out[50]: (4,)

In [51]: x1=x.reshape(10,1)

In [52]: x1.shape
Out[52]: (10, 1)

In [53]: x1.strides
Out[53]: (4, 4)

In [54]: x2=np.concatenate((x1,x1),axis=1)

In [55]: x2.shape
Out[55]: (10, 2)

In [56]: x2.strides
Out[56]: (8, 4)
Run Code Online (Sandbox Code Playgroud)

MATLAB最后增加了新的尺寸.它像order='F'数组一样对其值进行排序,并且可以很容易地将(n,1)矩阵更改为(n,1,1,1). numpy是默认值order='C',并且可以在开始时轻松扩展数组维度.在利用广播时,了解这一点至关重要.

因此x1 + x是(10,1)+(10,)=>(10,1)+(1,10)=>(10,10)

因为广播(n,)阵列更像是(1,n)一个而不是(n,1)一个.1d数组更像是行矩阵而不是第1列.

In [64]: np.matrix(x)
Out[64]: matrix([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

In [65]: _.shape
Out[65]: (1, 10)
Run Code Online (Sandbox Code Playgroud)

关键concatenate是它需要匹配的尺寸.它不使用广播来调整尺寸.有许多stack函数可以简化这种约束,但是它们通过在使用前调整尺寸来实现concatenate.看看他们的代码(可读的Python).

因此,熟练的numpy用户需要熟悉该通用shape元组,包括空()(0d数组),(n,)1d和up.对于更高级的东西,了解步幅也有帮助(例如在转置的步幅和形状上查看).