Question

我是Python的初学者。我曾经密集地使用matlab。现在我转向python。我对数组的维度有疑问。

我导入Numpy

我首先创建一个数组X，然后我使用一些嵌入式函数，比如sum，来玩我的数组。最后，当我尝试检查数组X的维度时，它变为：X.shape，outputs（81，）。数字81是我的预期，但我也期望第二维度是1，而不是仅仅省略。这让我感到非常不舒服，即使我直接输入X，它输出正确，即一列和X中的数字都是预期的。

然后，当我使用另一个数组Y，字面上有Y.shape时，输出（81,1），那么如果我输入X * Y，我希望看到一个维数（81,1），但相反，我看到了一个维度阵列（81,81）。

我不知道产生这种结果的潜在机制是什么。

我解决这个问题的方式非常愚蠢。我首先创建一个新的数组C =零（（81,1）），所以C字面上有维度（81,1），然后我通过键入C [：，0] = X然后C.shape将我的X分配给C =（81,1）。请注意，如果我键入C = X，那么C.shape =（81，），这可以回到我的问题。所以我可以解决我的问题，但我确信有更好的方法来解决我的问题，我也不明白为什么python会产生类似（81，）的东西，省略第二维。

Answer 1

Numpy 不省略数组的维度。它是为多维数组（不仅仅是1d或2d数组）构建的库，因此它在不同维度的数组之间做出了非常清晰的区分（它不能假设任何数组只是更高维数组的简并形式，因为数字从概念上讲，维度是无限的。

维度为(81, 1)的数组是 2d 数组，第二维的值等于1.
尺寸为(81, )的数组只是 1d 数组。

当你写C[:,0]时，你指的是一个专栏。因此

如果你写C[: 0] = X，你要为C的一列（恰好是唯一的一列）分配一列，因此不是更改C。
如果你写C = X，那么你说C现在也是一个列，因此正在改变 {{1}的维度}。

Answer 2

MATLAB和numpy之间的根本区别在于，在MATLAB中，矩阵至少有2个维度。回到v3.0，它只有2个numpy数组可以有0,1,2或更多维度。

C.shape返回维度的元组;它可以是0长度，()，1值，(81,)或2 (81,1)。 c.ndim只是len(C.shape)。

numpy有一个matrix子类，其行为类似于只有2维的旧MATLAB矩阵。对于一些MATLAB程序员来说，它更容易使用，但在其他方面的用途有限。

np.sum(C)等操作会减少维度数量（除非使用keepdims参数）。

你的行动：

# X.shape == (81,)
C = zeros((81,1))
# C.shape == (81,1)
C[:,0] = X    # no change in shape
# X has 81 elements, C[:,0] does too - so the assignment works

C = X  # reassign the variable

C=X对原始C不执行任何操作。你也可以写Foobar = X。

要使X具有2个维度，请修改其形状 - 有多种方式（使用MATLAB并行）

 X = np.reshape(X, (81,1))
 X.shape = (81,1)
 X = X[:,None]

广播的工作原理是扩展尺寸，如下所示：

(81,1)*(81,) => 
(81,1)*(1,81) => 
(81,81)*(81,81) => 
(81,81).

请注意，numpy会根据需要自动添加维度 - MATLAB会做同样的事情，但最后会这样做。

Answer 3

查看此帖子：＆＃34; Difference between numpy.array shape (R, 1) and (R,)＆＃34;

特别是Gareth Rees的答案。

为什么Numpy有时会省略数组的维度

3 个答案: