Question

请考虑以下代码：

>>x=np.array([1,3]).reshape(2,1)
array([[1],
   [3]])   
>>M=np.array([[1,2],[3,4]])
array([[1, 2],
   [3, 4]])
>>y=M[:,0]
>>x-y
array([[ 0,  2],
   [-2,  0]])

我会直觉地认为这应该给出一个零的（2,1）向量。

然而，我不是说这是应该如何做的，而其他一切都是愚蠢的。如果有人能提供一些我能记住的逻辑，我会很高兴，所以这样的事情不会在我的代码中产生错误。

请注意，我不是在问我如何实现我想要的（我可以重塑y），但我希望能够更深入地理解为什么Python / Numpy会起作用。也许我在做一些概念错误的事情？

Answer 1

查看$('.title-overlay').hover(function(){ if($('.wmg-container3').hasClass('open')){ $(this).removeClass('title-hover') }else{ $(this).addClass('title-hover') } })的形状。它是y; 1D。源数组是（2,2），但您选择的是一列。 (2,)不仅会选择列，还会删除该单例维度。

所以我们有2个操作，这个形状的变化：

M[:,0]

有多种方法可以确保M[:,0]: (2,2) => (2,) x - y: (2,1) (2,) => (2,1), (1,2) => (2,2)具有形状（2,1）。带有列表/向量的索引y;带有切片的索引M[:,[0]]。添加维度M[:,:1]。

还要考虑M[:,0,None]或M[0,:]时会发生什么。

Answer 2

numpy.array索引使得任何位置的单个值都会折叠该维度，而切片会保留该维度，即使切片只有一个元素宽度。对于任何数量的维度，这都是完全一致的：

>> A = numpy.arange(27).reshape(3, 3, 3)
>> A[0, 0, 0].shape
()

>> A[:, 0, 0].shape
(3,)

>> A[:, :, 0].shape
(3, 3)

>> A[:1, :1, :1].shape
(1, 1, 1)

请注意，每次使用单个数字时，该维度都会被删除。

您可以使用numpy.matrix获取您期望的语义，其中两个单个索引返回0阶数组，所有其他类型的索引返回矩阵

>> M = numpy.asmatrix(numpy.arange(9).reshape(3, 3))

>> M[0, 0].shape
()

>> M[:, 0].shape   # This is different from the array
(3, 1)

>> M[:1, :1].shape
(1, 1)

使用numpy.matrix时，您的示例可以正常工作：

>> x = numpy.matrix([[1],[3]])
>> M = numpy.matrix([[1,2],[3,4]])
>> y = M[:, 0]
>> x - y
matrix([[0],
        [0]])

Numpy：为什么（2,1）数组和垂直矩阵切片的差异不是（2,1）数组

2 个答案: