Numpy 1 维数组与 2 维数组（其中一个维度长度为 1）

Question

Matlab中没有一维数组的概念。所有数组都至少具有二维。所有“向量”都是“行向量”（1xn 数组）或“列向量”（nx1 数组）。

另一方面，在 NumPy 中，数组也可以是一维的。于是就有了“纯向量”（维度n）、“行向量”（维度1xn）和“列向量”（维度nx1）的概念。

现在我正从 Matlab 转向 Python，这让我很头疼。

作为一个例子，考虑这样的情况：我必须将 nxk（n 通常很大，但 k 可以是 1）矩阵的行移动，将其称为 A，向下移动一行，然后在第一行添加一行零。

在Matlab中我会这样做

[n, k] = size(A);
B      = [zeros(1,k); A(1:end-1,:)];

在 Numpy 中，我希望它不仅适用于二维输入，也适用于一维输入。所以一个可行的解决方案是

import numpy as np

if A.ndim == 1:
    B = np.concatenate((np.zeros(1), A[:-1]), axis=0)

if A.ndim == 2:
    (n, k) = A.shape
    B = np.concatenate((np.zeros((1,k)), A[:-1,:]), axis=0)

但这太重了。有更好的（更巧合的）方法吗？

更一般地说，我总是遇到这个问题：如果我编写了一个采用二维数组（nxk）的函数，调用它arr，其中 k 很可能是 1，那么该函数可能在一维数组上失败（例如，如果我这样做arr[0,:]）。但我希望它也适用于一维数组，因为它们在道德上与其中一个维度为 1 的二维数组相同。

当然，一种出路就是放一些类似的东西

if arr.ndim == 1
    arr = arr.reshape((arr.shape[0],1))

在函数的最开始，这样就保证函数有一个二维数组可以使用。

但这并不完全令人满意。例如，我的函数可能返回与输入形状相同的数组 (nxk)。但如果输入是一维的，我希望它也返回一维的东西，而不是 (nx1)。因此，为了处理这种情况，我需要添加其他冗长的 if 语句和重塑，这将使我的代码看起来更重、更难看。

最好的出路是什么？

Answer 1

我认为 numpy（与 MATLAB 相比）在数组大小方面的“严格性”是一个优势，我觉得它使许多事情变得更加可预测。

\n

我建议针对您的第一个问题提供以下解决方案，其中可能包含一些用于解决未来问题的有用工具。第一个工具是“省略号”( ...)对象，它可用于索引。当您在索引中看到这三个点时，您可以认为它是根据:需要替换的。例如，如果A.shape = (42,2021,69,7)thenA[..., 1, :]与 相同A[:, :, 1, :]。在这里我应该补充一点，很明显，每个索引表达式只能使用其中之一。对于编写处理任意维数数组的函数来说，这是一个非常有用的东西。

\n

第二个（对于这个答案来说不是必需的）是您可以将其用于诸如此类的事情，np.ones您np.zeros总是具有相应的函数np.ones_like，或者np.zeros_like可以让您避免许多繁琐的计算。

\n

因此，在下面我们使用它们首先创建一个具有正确形状的新数组，而无需执行任何算术。我们只调用np.zeros_like我们想要替换的内容（在本例中是 的最后一个“超行” A，但它可以是其中的任何一个）。同时，省略号运算符可以方便地处理我们可能存在的任意数量的维度：

\n\n

import numpy as np  \ndef f(A):\n  u = np.zeros_like(A[-1:, ...]) # np.zeros(A[-1:, ...].shape)\n  v = A[:-1,...]\n  return np.concatenate([u,v], axis=0)\n

\n

在线尝试一下！

\n