Question

shape（150，）和shape（150,1）有什么区别？

我认为它们是相同的，我的意思是它们都代表列向量。

Answer 1

两者都具有相同的值，但是一个是向量，另一个是向量的矩阵。这是一个示例：

import numpy as np
x = np.array([1, 2, 3, 4, 5])
y = np.array([[1], [2], [3], [4], [5]])
print(x.shape)
print(y.shape)

输出为：

(5,)
(5, 1)

Answer 2

尽管它们都在内存中占据相同的空间和位置，

我认为它们是相同的，我的意思是它们都代表列向量。

不，根据NumPy（ndarrays），它们不是，当然也不是。

主要区别在于

shape (150,) =>是一维数组，而
形状(150,1) =>是2D数组

Answer 3

这样的问题来自两个误解。

没有意识到(5,)是1个元素的元组。
像矩阵一样期待MATLAB

使用方便的arange函数创建一个数组：

In [424]: x = np.arange(5)                                                      
In [425]: x.shape                                                               
Out[425]: (5,)             # 1 element tuple
In [426]: x.ndim                                                                
Out[426]: 1

numpy不会自动生成二维数组。在这方面，它没有遵循MATLAB。

我们可以调整数组的形状，添加第二维。结果是一个view（迟早您需要了解其含义）：

In [427]: y = x.reshape(5,1)                                                    
In [428]: y.shape                                                               
Out[428]: (5, 1)
In [429]: y.ndim                                                                
Out[429]: 2

这两个阵列的显示非常不同。数字相同，但是括号的布局和数量却有很大不同，反映了各自的形状：

In [430]: x                                                                     
Out[430]: array([0, 1, 2, 3, 4])
In [431]: y                                                                     
Out[431]: 
array([[0],
       [1],
       [2],
       [3],
       [4]])

形状差异似乎是学术上的-直到您尝试对数组进行数学运算为止：

In [432]: x+x                                                                   
Out[432]: array([0, 2, 4, 6, 8])     # element wise sum
In [433]: x+y                                                                   
Out[433]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8]])

那最终是如何产生（5,5）数组的？用（5,1）数组广播（5，）数组！

shape（150，）和shape（150,1）有什么区别？

3 个答案: