np.reshape(x, (-1,1)) vs x[:, np.newaxis]

Question

我最近正在阅读一个开源项目的源代码。当程序员想要将行向量转换array([0, 1, 2])为列向量时array([[0], [1], [2]])，np.reshape(x, (-1,1))使用 , 。在评论中，它说 reshape 是必要的，以保持数据连续性[:, np.newaxis]，而不是没有。

我尝试了这两种方法，似乎它们会返回相同的结果。那么这里的数据连续性保留是什么意思呢？

Answer 1

两种方式都返回完全相同数据的视图，因此“数据连续性”可能不是问题，因为数据没有改变，只是视图改变了。请参阅Numpy：使用 reshape 或 newaxis 添加维度。

但是，使用 可能有实际优势.reshape((-1,1))，因为无论原始形状如何，它都会将数组重塑为二维数组。对于[:, np.newaxis]，结果将取决于数组的原始形状，考虑到这些：

In [3]: a1 = np.array([0, 1, 2])

In [4]: a2 = np.array([[0, 1, 2]])

In [5]: a1.reshape((-1, 1))
Out[5]: 
array([[0],
       [1],
       [2]])

In [6]: a2.reshape((-1, 1))
Out[6]: 
array([[0],
       [1],
       [2]])

In [7]: a1[:, np.newaxis]
Out[7]: 
array([[0],
       [1],
       [2]])

In [8]: a2[:, np.newaxis]
Out[8]: array([[[0, 1, 2]]])