np_mat = np.array([[1, 2], [3, 4], [5, 6]])
np_mat + np.array([10, 10])
我很困惑np.array（[10，10]）和np.array（[[10，10]]）之间的区别。在学校里，我了解到只能添加尺寸相同的矩阵。当我在np.array（[10，10]）上使用shape方法时，它给了我（2，）...这是什么意思？如何添加np_mat和np.array（[10，10]）？尺寸在我看来不一样。我不明白什么？
答案 0 :(得分：1)
您不能添加两个大小不同的数组。
但是这两个都具有等于1的第一维长度。（即len(a) == len(b)）
形状(2,)表示数组是一维的，而第一维的大小是2。
np.array([[1, 2], [3, 4], [5, 6]])的形状为(3, 2)，表示二维（3x2）。
但是您可以添加它们，因为它们的维数不同，并且numpy将数字强制为一个充满该相同数字的任意数组。这在numpy中称为broadcasting。
即您的代码获得与以下结果相同的结果：
np_mat = np.array([[1, 2], [3, 4], [5, 6]])
np_mat + 10
或：
np_mat = np.array([[1, 2], [3, 4], [5, 6]])
np_mat + np.array([[10, 10], [10, 10], [10, 10]])
答案 1 :(得分：1)
看起来numpy在这里改变了数学规则。实际上，它将第二个矩阵x1 <- c(2.525729, 2.674149, 2.079442, 2.197225, 2.970414, 2.079442, 2.197225, 1.945910, 1.945910, 2.197225, 1.871802, 2.351375,2.302585, 1.504077, 1.945910, 2.140066, 1.871802, 2.079442, 1.252763, 2.079442, 2.862201, 2.351375, 2.484907, 1.791759,2.564949)
x2 <- c(0.2701716, 0.2461830, 0.2397317, 0.3015113, 0.2058467, 0.2752409, 0.1765011, 0.2851330, 0.2911113, 0.2024441, 0.2344036, 0.2132007, 0.1754116, 0.2312486, 0.2515773, 0.2531848, 0.2886751, 0.2795085, 0.1957401, 0.2626129, 0.1537552, 0.2390457, 0.2141765, 0.3100868, 0.1976424)
library(car)
dataEllipse(x1,x2,levels=c(0.95,0.95))
与第一个[10, 10]的每个元素相加。
这称为https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html。 [[1, 2], [3, 4], [5, 6]]的形状为[10, 10]（在数学上为(2, )），2的形状为[[1, 2], [3, 4], [5, 6]]（即在数学上为{{1} }。因此，从一般广播规则中，您应该得到形状为(3, 2)（即，数学上为3 x 2）的结果。
我很困惑np.array（[10，10]]和np.array（[[10，10]]）之间的区别。
第一个是数组。第二个是数组数组（在内存中，实际上是一个单独的数组，但这与此处无关）。您可以将第一个视为列向量（大小为(3, 2)的矩阵），第二个为线向量（大小为3 x 2的矩阵）。但是，请注意，在开始将向量解释为矩阵之前，线向量和列向量之间的区别在数学上是无关紧要的。