将numpy（n，）向量重塑为（n，1）向量

Question

因此，当我需要做一些线性代数时，我更容易将向量看作列向量。因此我更喜欢像（n，1）这样的形状。

形状（n，）和（n，1）之间是否存在显着的内存使用差异？

什么是首选方式？

如何将（n，）向量重塑为（n，1）向量。不知怎的，b.reshape（（n，1））没有做到这一点。

a = np.random.random((10,1))
b = np.ones((10,))
b.reshape((10,1))
print(a)
print(b)

[[ 0.76336295]
 [ 0.71643237]
 [ 0.37312894]
 [ 0.33668241]
 [ 0.55551975]
 [ 0.20055153]
 [ 0.01636735]
 [ 0.5724694 ]
 [ 0.96887004]
 [ 0.58609882]]
[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]

Answer 1

ndarray.reshape()返回一个新视图或一个副本（取决于新形状）。它不会修改数组。

b.reshape((10, 1))

因此实际上是无操作，因为创建的视图/副本未分配给任何东西。 “修复”很简单：

b_new = b.reshape((10, 1))

两种形状之间使用的内存量应该完全不同。 Numpy数组使用strides的概念，因此维度(10,)和(10, 1)都可以使用相同的缓冲区;跳转到下一行和列的金额才会改变。

Answer 2

使用python语法糖的更简单方法是使用

b.reshape(-1,1)

系统将自动计算正确的形状，而不是“ -1”