这似乎是一个非常基本的问题，但我没有在堆栈上找到与它相关的任何内容。如果我错过了现有的问题，请道歉。
我已经看到了一些数学/线性代数的原因，为什么人们可能想要使用numpy向量“正确”（即ndim 1），而不是行/列向量（即ndim 2）。
但是现在我想知道：为什么有人可能选择其中一个（强效）效率的理由？或者在这方面选择几乎是武断的？
（编辑）澄清：“ndim 1 vs ndim 2 vectors”我的意思是代表一个包含数字3和4的向量：
np.array（[3,4]）＃ndim 1
np.array（[[3,4]]）＃ndim 2
numpy文档似乎倾向于将第一种情况作为默认情况，但就像我说的那样，我想知道是否存在任何性能差异。
答案 0 :(得分：2)
如果你正确使用numpy，那么不 - 这不是一个考虑因素。
如果查看numpy internals documentation，就可以看到
Numpy数组由两个主要组件组成，即原始数组数据（从现在开始，称为数据缓冲区），以及有关原始数组数据的信息。数据缓冲区通常是人们认为是C或Fortran中的数组，这是一个包含固定大小数据项的连续（和固定）内存块。 Numpy还包含一组重要的数据，用于描述如何解释数据缓冲区中的数据。
因此，无论数组的大小如何，所有数据都存储在连续缓冲区中。现在考虑
a = np.array([1, 2, 3, 4])
和
b = np.array([[1, 2], [3, 4]])
访问a[1]确实需要（略微）少于b[1, 1]的操作（因为将1, 1转换为平面索引需要一些计算），但是，为了获得高性能，无论如何都需要vectorized operations。
如果你想对数组中的所有元素求和，那么在这两种情况下你都会使用相同的东西：a.sum()和b.sum()，并且总和将在连续内存中的元素之上。相反，如果数据本质上是2d，那么您可以执行b.sum(axis=1)之类的操作来对行进行求和。在一维数组中自己做这件事很容易出错，效率也不高。
所以，基本上是一个二维数组，如果问题很自然只是提供更多的功能，开销为零或可以忽略不计。