有没有一种很好的方法来区分python中的行和列向量？到目前为止，我正在使用numpy和scipy，到目前为止我看到的是，如果我要给一个向量，请说
from numpy import *
Vector = array([1,2,3])
他们无法说天气我的意思是行或列向量。此外：
array([1,2,3]) == array([1,2,3]).transpose()
True
在“现实世界”中哪个是不真实的。
我意识到来自上述模块的载体上的大多数功能都不需要区分。例如outer(a,b)或a.dot(b)，但为了方便起见，我想区分。
答案 0 :(得分：57)
您可以通过向数组添加另一个维度来明确区分。
>>> a = np.array([1, 2, 3])
>>> a
array([1, 2, 3])
>>> a.transpose()
array([1, 2, 3])
>>> a.dot(a.transpose())
14
现在强制它成为列向量：
>>> a.shape = (3,1)
>>> a
array([[1],
[2],
[3]])
>>> a.transpose()
array([[1, 2, 3]])
>>> a.dot(a.transpose())
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
另一种选择是在想要区分时使用np.newaxis：
>>> a = np.array([1, 2, 3])
>>> a
array([1, 2, 3])
>>> a[:, np.newaxis]
array([[1],
[2],
[3]])
>>> a[np.newaxis, :]
array([[1, 2, 3]])
答案 1 :(得分：21)
在编写矢量时使用双[]。
然后，如果你想要一个行向量：
row_vector = array([[1, 2, 3]]) # shape (1, 3)
或者如果你想要一个列矢量：
col_vector = array([[1, 2, 3]]).T # shape (3, 1)
答案 2 :(得分：5)
我认为你可以使用numpy.array的ndmin选项。保持2表示它将是（4,1）并且转置将是（1,4）。
>>> a = np.array([12, 3, 4, 5], ndmin=2)
>>> print a.shape
>>> (1,4)
>>> print a.T.shape
>>> (4,1)
答案 3 :(得分：4)
如果你想对这种情况感到不安，我建议改用matrix，其中：
matrix([1,2,3]) == matrix([1,2,3]).transpose()
给出：
matrix([[ True, False, False],
[False, True, False],
[False, False, True]], dtype=bool)
您还可以使用ndarray明确添加第二维：
array([1,2,3])[None,:]
#array([[1, 2, 3]])
和：
array([1,2,3])[:,None]
#array([[1],
# [2],
# [3]])
答案 4 :(得分：4)
您要创建的矢量既不是行列也不是列。它实际上只有1维。您可以通过以下方式进行验证
myvector.ndim的尺寸1 myvector.shape (3,)（仅包含一个元素的元组）。对于行向量，应为(1, 3)，对于列(3, 1) 两种解决方法
reshape您当前的人您可以显式创建行或列
row = np.array([ # one row with 3 elements
[1, 2, 3]
]
column = np.array([ # 3 rows, with 1 element each
[1],
[2],
[3]
])
或带有快捷方式
row = np.r_['r', [1,2,3]] # shape: (1, 3)
column = np.r_['c', [1,2,3]] # shape: (3,1)
或者，您可以将其重塑为(1, n)（对于行）或(n, 1)（对于列）
row = my_vector.reshape(1, -1)
column = my_vector.reshape(-1, 1)
-1会自动找到n的值。
答案 5 :(得分：2)
看起来Python的Numpy没有区分它，除非你在上下文中使用它：
“如果您愿意，可以使用标准向量或行/列向量。”
“:)你可以将rank-1数组视为行或列向量.dot（A，v）将v视为列向量，而dot（v，A）将v视为行向量。这可以节省你必须输入很多转座。“
此外，特定于您的代码：“在Rank-1数组上转置什么都不做。” 资源： http://wiki.scipy.org/NumPy_for_Matlab_Users
答案 6 :(得分：1)
您可以将数组的元素存储在行或列中，如下所示：
>>> a = np.array([1, 2, 3])[:, None] # stores in rows
>>> a
array([[1],
[2],
[3]])
>>> b = np.array([1, 2, 3])[None, :] # stores in columns
>>> b
array([[1, 2, 3]])
答案 7 :(得分：1)
如果我想要一个1x3数组或3x1数组：
import numpy as np
row_arr = np.array([1,2,3]).reshape((1,3))
col_arr = np.array([1,2,3]).reshape((3,1)))
检查您的工作：
row_arr.shape #returns (1,3)
col_arr.shape #returns (3,1)
我发现这里有很多答案是有帮助的，但对我来说太复杂了。在实践中，我返回到shape和reshape，并且代码可读：非常简单明了。
答案 8 :(得分：0)
优秀的Pandas库为numpy添加了一些功能，使这些操作更加直观IMO。例如：
import numpy as np
import pandas as pd
# column
df = pd.DataFrame([1,2,3])
# row
df2 = pd.DataFrame([[1,2,3]])
你甚至可以define a DataFrame and make a spreadsheet-like pivot table。
答案 9 :(得分：0)
当我尝试使用numpy计算w^T * x时，对我来说也是非常混乱。事实上，我自己无法实现它。所以，这是我们需要熟悉的NumPy中为数不多的陷阱之一。
就 1D数组而言，行向量和列向量之间没有区别。它们完全一样。
请看以下示例，其中我们在所有情况下得到相同的结果，这在（理论意义上的）线性代数中是不正确的：
In [37]: w
Out[37]: array([0, 1, 2, 3, 4])
In [38]: x
Out[38]: array([1, 2, 3, 4, 5])
In [39]: np.dot(w, x)
Out[39]: 40
In [40]: np.dot(w.transpose(), x)
Out[40]: 40
In [41]: np.dot(w.transpose(), x.transpose())
Out[41]: 40
In [42]: np.dot(w, x.transpose())
Out[42]: 40
有了这些信息，现在让我们尝试计算向量|w|^2的平方长度。
为此，我们需要将w转换为2D数组。
In [51]: wt = w[:, np.newaxis]
In [52]: wt
Out[52]:
array([[0],
[1],
[2],
[3],
[4]])
现在，让我们计算向量w的平方长度（或平方幅度）：
In [53]: np.dot(w, wt)
Out[53]: array([30])
请注意，我们使用了w，wt代替wt，w（就像在理论线性代数中一样），因为形状与使用np.dot不匹配（ wt，w）。因此，我们将向量的平方长度设为[30]。也许这是区分（numpy的解释）行和列向量的方法之一？
最后，我是否提到我找到了实施w^T * x的方法？是的，我做了：
In [58]: wt
Out[58]:
array([[0],
[1],
[2],
[3],
[4]])
In [59]: x
Out[59]: array([1, 2, 3, 4, 5])
In [60]: np.dot(x, wt)
Out[60]: array([40])
因此，在NumPy中，操作数的顺序是相反的，如上所述，与我们在理论线性代数中所研究的相反。
答案 10 :(得分：0)
这是另一种直观的方式。假设我们有：
arrangedObjects首先我们制作一个2D数组，将其作为唯一的一行：
>>> a = np.array([1, 3, 4])
>>> a
array([1, 3, 4])
然后我们可以转置它：
>>> a = np.array([a])
>>> a
array([[1, 3, 4]])
答案 11 :(得分：0)