Question

Python新手来自MATLAB背景。

我有一个1列数组，我想将该列移动到3列数组的第一列。有了MATLAB背景，我就会这样做：

import numpy as np

A = np.zeros([150,3]) #three column array

B = np.ones([150,1]) #one column array which needs to replace the first column of A

#MATLAB-style solution:

A[:,0] = B

然而这不起作用，因为A的“形状”是（150,3）而B的“形状”是（150,1）。并且显然命令A [：，0]导致（150）的“形状”。

现在，（150,1）和（150）之间有什么区别？它们不是同一个东西：列向量？为什么Python不够“足够聪明”才能弄清楚我想将列向量B放入A的第一列？

有没有一种简单的方法可以将形状为（N，1）的1列向量转换为形状为（N）的1列向量？

我是Python新手，这似乎是一个非常愚蠢的事情，MATLAB做得更好......

Answer 1

有几件事是不同的。在numpy数组中可以是0d或1d或更高。在MATLAB中，2d是最小的（并且一度是唯一的维度）。 MATLAB很容易扩展尺寸，因为它是Fortran ordered。 numpy，默认为c ordered，最容易扩展前面的维度。

In [1]: A = np.zeros([5,3])
In [2]: A[:,0].shape   
Out[2]: (5,)

简单索引会缩小维度，无论其是A[0,:]还是A[:,0]。与3D MATLAB矩阵相反，A(1,:,:) v A(:,:,1)。

numpy执行broadcasting，在总和和分配等操作期间调整维度。一个基本规则是，如果需要，维度可以自动扩展到开头：

In [3]: A[:,0] = np.ones(5)
In [4]: A[:,0] = np.ones([1,5])
In [5]: A[:,0] = np.ones([5,1])
...
ValueError: could not broadcast input array from shape (5,1) into shape (5)

它可以将(5,) LHS更改为（1,5），但不能将其更改为（5,1）。

另一个广播示例+：

In [6]: A[:,0] + np.ones(5);
In [7]: A[:,0] + np.ones([1,5]);
In [8]: A[:,0] + np.ones([5,1]);

现在（5，）与（5,1）一起使用，但那是因为它变为（1,5），它与（5,1）一起产生（5,5） - 外部产品广播：

In [9]: (A[:,0] + np.ones([5,1])).shape
Out[9]: (5, 5)

在Octave

>> x = ones(2,3,4);
>> size(x(1,:,:))
ans =
   1   3   4
>> size(x(:,:,1))
ans =
   2   3
>> size(x(:,1,1) )
ans =
   2   1
>> size(x(1,1,:) )
ans =
   1   1   4

要进行您想要调整任务的作业

索引以保留维度数的方式：

In [11]: A[:,[0]].shape    
Out[11]: (5, 1)
In [12]: A[:,[0]] = np.ones([5,1])

将（5,1）转置为（1,5）：

In [13]: A[:,0] = np.ones([5,1]).T

将（5,1）变平/拉平为（5，）：

In [14]: A[:,0] = np.ones([5,1]).flat
In [15]: A[:,0] = np.ones([5,1])[:,0]

squeeze，ravel也可以。

Octave中的一些快速测试表明，在尺寸不匹配方面，它更宽容。但numpy优先考虑一致性。一旦理解了广播规则，行为就有意义了。

Answer 2

使用squeeze方法消除尺寸为1的尺寸。

A[:,0] = B.squeeze()

或者只是创建一维的B开头：

B = np.ones([150])

NumPy维持1D数组和维度为1的2D数组之间的区别这一事实是合理的，尤其是当人们开始使用n维数组时。

回答标题中的问题：形状(3,)之间存在明显的结构差异，例如

[1, 2, 3]

和形状(3, 1)的数组，例如

[[1], [2], [3]]

具有形状（N，1）的阵列和具有形状（N）的阵列之间有什么区别？以及如何在两者之间进行转换？

2 个答案: