有没有一种区分python中行向量和列向量的好方法？到目前为止，我使用的是 numpy 和 scipy，到目前为止我看到的是，如果我要给一个向量，比如说
from numpy import *
Vector = array([1,2,3])
他们不能说天气我的意思是行或列向量。而且：
array([1,2,3]) == array([1,2,3]).transpose()
True
这在“现实世界”中是不真实的。我意识到来自上述模块的向量上的大多数功能都不需要区分。例如outer(a,b)，或者a.dot(b)，但为了我自己的方便，我想区分。
您可以通过向数组添加另一个维度来明确区分。
>>> a = np.array([1, 2, 3])
>>> a
array([1, 2, 3])
>>> a.transpose()
array([1, 2, 3])
>>> a.dot(a.transpose())
14
现在强制它成为一个列向量：
>>> a.shape = (3,1)
>>> a
array([[1],
[2],
[3]])
>>> a.transpose()
array([[1, 2, 3]])
>>> a.dot(a.transpose())
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
另一种选择是在您想要区分时使用 np.newaxis ：
>>> a = np.array([1, 2, 3])
>>> a
array([1, 2, 3])
>>> a[:, np.newaxis]
array([[1],
[2],
[3]])
>>> a[np.newaxis, :]
array([[1, 2, 3]])
[]编写向量时使用双精度。
然后，如果你想要一个行向量：
row_vector = array([[1, 2, 3]]) # shape (1, 3)
或者如果你想要一个列向量：
col_vector = array([[1, 2, 3]]).T # shape (3, 1)
您正在创建的向量既不是 row 也不是 column。它实际上只有一维。您可以通过以下方式验证
myvector.ndim数量1myvector.shape，它是(3,)（只有一个元素的元组）。对于行向量应该是(1, 3)，对于一列(3, 1)两种处理方法
reshape你现在的您可以显式创建行或列
row = np.array([ # one row with 3 elements
[1, 2, 3]
]
column = np.array([ # 3 rows, with 1 element each
[1],
[2],
[3]
])
或者，使用快捷方式
row = np.r_['r', [1,2,3]] # shape: (1, 3)
column = np.r_['c', [1,2,3]] # shape: (3,1)
或者，您可以将其重塑(1, n)为行或(n, 1)列
row = my_vector.reshape(1, -1)
column = my_vector.reshape(-1, 1)
其中-1自动找到 的值n。
我认为您可以使用 numpy.array 的 ndmin 选项。将其保持为 2 表示它将是 (4,1) 并且转置将是 (1,4)。
>>> a = np.array([12, 3, 4, 5], ndmin=2)
>>> print a.shape
>>> (1,4)
>>> print a.T.shape
>>> (4,1)
如果您想针对这种情况进行区分，我建议您改用 a matrix，其中：
matrix([1,2,3]) == matrix([1,2,3]).transpose()
给出：
matrix([[ True, False, False],
[False, True, False],
[False, False, True]], dtype=bool)
您还可以使用ndarray显式添加第二个维度：
array([1,2,3])[None,:]
#array([[1, 2, 3]])
和：
array([1,2,3])[:,None]
#array([[1],
# [2],
# [3]])
您可以将数组的元素存储在一行或一列中，如下所示：
>>> a = np.array([1, 2, 3])[:, None] # stores in rows
>>> a
array([[1],
[2],
[3]])
>>> b = np.array([1, 2, 3])[None, :] # stores in columns
>>> b
array([[1, 2, 3]])
如果我想要一个 1x3 数组或 3x1 数组：
import numpy as np
row_arr = np.array([1,2,3]).reshape((1,3))
col_arr = np.array([1,2,3]).reshape((3,1)))
检查你的工作：
row_arr.shape #returns (1,3)
col_arr.shape #returns (3,1)
我发现这里有很多答案很有帮助，但对我来说太复杂了。在实践中，我回到shape并且reshape代码是可读的：非常简单和明确。
除非您在上下文中使用它，否则 Python 的 Numpy 似乎无法区分它：
“如果你愿意，你可以有标准向量或行/列向量。”
" :) 您可以将 rank-1 数组视为行向量或列向量。dot(A,v) 将 v 视为列向量，而 dot(v,A) 将 v 视为行向量。这可以节省您必须输入很多转置。”
此外，特定于您的代码：“在 rank-1 数组上转置什么都不做。”来源： http ://wiki.scipy.org/NumPy_for_Matlab_Users
当我尝试w^T * x使用 numpy 进行计算时，我也感到非常困惑。事实上，我自己无法实现它。因此，这是我们需要熟悉的 NumPy 中为数不多的陷阱之一。
就一维数组而言，行向量和列向量之间没有区别。它们完全相同。
看看下面的例子，我们在所有情况下都得到相同的结果，这在（理论意义上的）线性代数中是不正确的：
In [37]: w
Out[37]: array([0, 1, 2, 3, 4])
In [38]: x
Out[38]: array([1, 2, 3, 4, 5])
In [39]: np.dot(w, x)
Out[39]: 40
In [40]: np.dot(w.transpose(), x)
Out[40]: 40
In [41]: np.dot(w.transpose(), x.transpose())
Out[41]: 40
In [42]: np.dot(w, x.transpose())
Out[42]: 40
有了这些信息，现在让我们尝试计算向量的平方长度|w|^2。
为此，我们需要转换w为二维数组。
In [51]: wt = w[:, np.newaxis]
In [52]: wt
Out[52]:
array([[0],
[1],
[2],
[3],
[4]])
现在，让我们计算向量的平方长度（或平方幅度）w：
In [53]: np.dot(w, wt)
Out[53]: array([30])
请注意，由于形状与 np.dot(wt, w) 的使用不匹配，我们使用w,wt而不是wt, （如在理论线性代数中）。w因此，我们将向量的平方长度设为[30]。也许这是区分（numpy的解释）行和列向量的方法之一？
最后，我有没有提到我想出了实施的方法w^T * x？是的，我做到了：
In [58]: wt
Out[58]:
array([[0],
[1],
[2],
[3],
[4]])
In [59]: x
Out[59]: array([1, 2, 3, 4, 5])
In [60]: np.dot(x, wt)
Out[60]: array([40])
因此，在 NumPy 中，操作数的顺序是颠倒的，正如上面所证明的，这与我们在理论线性代数中研究的相反。
PS：numpy 中的潜在陷阱
这是另一种直观的方式。假设我们有：
>>> a = np.array([1, 3, 4])
>>> a
array([1, 3, 4])
首先，我们制作一个二维数组，并将其作为唯一的行：
>>> a = np.array([a])
>>> a
array([[1, 3, 4]])
然后我们可以转置它：
>>> a.T
array([[1],
[3],
[4]])
行向量是 (1,0) 张量，向量是 (0, 1) 张量。如果使用 v = np.array([[1,2,3]])，v 变为 (0,2) 张量。对不起，我很困惑。
优秀的Pandas库为 numpy 添加了功能，使这些操作更加直观 IMO。例如：
import numpy as np
import pandas as pd
# column
df = pd.DataFrame([1,2,3])
# row
df2 = pd.DataFrame([[1,2,3]])