Question

无法理解为什么numpy不会转置矩阵。

这不起作用：

w=2 h=3 rc= np.array([[0,0,1],[0,h,1],[w,h,1],[w,0,1]]) array([[0, 0, 1], [0, 3, 1], [2, 3, 1], [2, 0, 1]]) rc[0].T array([0, 0, 1])

但这有效：

v_x= np.array([[0,1,2,3]]) v_x.T array([[0], [1], [2], [3]])

Answer 1

你的rc [0]不是1x3矩阵，而是3个项目的向量：

>>> rc[0].shape
(3,)

如果要转置它，请修复其形状：

>>> np.reshape(rc[0], (1,3)).T
array([[0],
       [0],
       [1]])

Answer 2

面对这样的问题时，我要问的第一件事就是：形状是什么？

In [14]: rc.shape
Out[14]: (4, 3)

In [15]: rc[0].shape
Out[15]: (3,)

索引已选择一行，并减少了维度数。

但如果我使用列表（或数组）进行索引，则结果为2d

In [16]: rc[[0]].shape
Out[16]: (1, 3)
In [19]: v_x.shape
Out[19]: (1, 4)

还有其他方法可以获得这种形状，甚至是目标(3,1)。

rc[0].reshape(1,-1) # -1 stands in for the known 3
rc[0][np.newaxis,:] # useful when constructing outer products

rc[0].reshape(-1,1) # transposed
rc[0][:,np.newaxis]

np.matrix是np.array的子类，总是2d（即使用标量索引后）

rcm = np.matrix(rc)
rcm[0] # (1,3)
rcm[0].T # (3,1)

如果从MATLAB进入np.matrix，

numpy可以简化过渡，尤其是旧版本，其中所有内容都是2d矩阵。对于其他人而言，最好熟悉ndarray，并且只有在添加某些功能时才使用matrix。

Answer 3

转置实际上有效，但不如您预期的那样，see docs：

默认情况下，反转尺寸

因此，当您的数组为1d时，反向对其形状不执行任何操作：

>>> np.array([0,0,1]).T.shape
(3,)

您可以使用reshape添加更多维度：

>>> np.array([0,0,1]).reshape(-1,1,1).shape
(3, 1, 1)

现在，非平凡的形状可以逆转：

>>> np.array([0,0,1]).reshape(-1,1,1).T.shape
(1, 1, 3)

Numpy转置用法

3 个答案: