python - 在 numpy 中使用 1d 与 2d 向量的性能/标准

Question

在 NumPy 中是否有将向量表示为 1d 或 2d ndarray 的标准做法？我正在从将向量表示为二维数组的 MATLAB 中迁移出来。

Answer 1

以我的经验，一维是向量的 numpy 规范。n将元素向量保留为 2D 形状数组(1, n)或在线性代数上下文中的唯一充分理由(n, 1)，您希望在其中保持行向量和列向量的区分。正如 EitanT 在他现在已删除的答案中所暗示的那样，您可能会想要使用 numpy 的matrix类型，除了单个元素访问之外，它保持返回的 2D 形状，例如，如果a有形状，(m, n)则a[0]有形状(n,)用于 type ndarray，但 shape(1, n)用于 type matrix，虽然a[0, 0]返回一个标量在这两种情况下。

如果您坚持使用 shape 的 1D 向量(n,)，则可以即时重塑形状以进行需要 2D 形状的特定操作：

a.reshape(-1, 1) # shape (n, 1)
a[:, None] # shape (n, 1)
a.reshape(1, -1) # shape (1, n)
a[None, :] # shape (1, n)

(1, n)Numpy 会在广播它以进行涉及 2D 数组的操作时自动将您的 1D 向量重新整形为形状。

Answer 2

在 matlab 中（出于历史原因，我认为）基本类型是一个M数组N（矩阵），因此标量是 1×1 数组和向量，可以是N1×1 或 1×1N数组。（内存布局始终是 Fortran 风格）。

这个“限制”不存在于numpy：你有真正的标量，并且ndarray' 可以有你喜欢的任意多的维度。（内存布局可以是 C 或 Fortran 连续的。）因此，没有首选（标准）实践。您可以根据您的应用选择更适合您需求的应用。