考虑以下简单示例：
X = numpy.zeros([10, 4]) # 2D array
x = numpy.arange(0,10) # 1D array
X[:,0] = x # WORKS
X[:,0:1] = x # returns ERROR:
# ValueError: could not broadcast input array from shape (10) into shape (10,1)
X[:,0:1] = (x.reshape(-1, 1)) # WORKS
有人可以解释为什么 numpy 具有形状为 (N,) 而不是 (N,1) 的向量吗？将一维数组转换为二维数组的最佳方法是什么？
为什么我需要这个？因为我有一个将结果x插入二维数组的代码，X并且 x 的大小会不时变化，所以X[:, idx1:idx2] = x如果x是 2D 也可以，但如果 x 是 1D 则不行。
您真的需要能够使用相同的功能处理 1D 和 2D 输入吗？如果您知道输入将是一维的，请使用
X[:, i] = x
如果您知道输入将是 2D，请使用
X[:, start:end] = x
如果您不知道输入尺寸，我建议在一行或另一行之间切换if，尽管可能有一些我不知道的索引技巧会以相同的方式处理两者。
你x有形状(N,)而不是形状(N, 1)（或(1, N)），因为 numpy 不是为矩阵数学而构建的。ndarrays 是 n 维的；它们支持任何非负维数（包括 0）的高效、一致的矢量化操作。虽然这有时可能会使矩阵运算变得不那么简洁（尤其是在dot矩阵乘法的情况下），但它会在您的数据自然是一维或 3、4 或 n 维时生成更普遍适用的代码。
Here are two tricks that make the code a little shorter.
X = numpy.zeros([10, 4]) # 2D array
x = numpy.arange(0,10) # 1D array
X.T[:1, :] = x
X[:, 2:3] = x[:, None]
我认为您的问题中已经包含了答案。Numpy 允许数组具有任何维度（而 afaik Matlab 在可能的情况下更喜欢二维），因此您需要对此保持正确（并始终区分 (n,) 和 (n,1)）。通过将一个数字作为索引之一（如第 3 行中的 0），您可以将维度减少一。通过将范围作为索引之一（如第 4 行中的 0:1），您不会降低维度。
第 3 行对我来说非常有意义，我会以这种方式分配给二维数组。