numpy中这些数组形状之间的区别

Question

形状为-

(442，1)和(442，)？

打印这两个命令会产生相同的输出，但当我检查等式==时，会得到如下2D向量-

array([[ True, False, False, ..., False, False, False],
       [False,  True, False, ..., False, False, False],
       [False, False,  True, ..., False, False, False],
       ..., 
       [False, False, False, ...,  True, False, False],
       [False, False, False, ..., False,  True, False],
       [False, False, False, ..., False, False,  True]], dtype=bool)

有人可以解释其中的区别吗？

Answer 1

形状数组 （442， 1） 是 2 维的。它有 442 行和 1 列。

形状（442，）的数组是一维的，由442个元素组成。

请注意，它们的reprs看起来也应该不同。括号的数量和位置有所不同:

In [7]: np.array([1,2,3]).shape
Out[7]: (3,)

In [8]: np.array([[1],[2],[3]]).shape
Out[8]: (3, 1)

请注意，您可以使用np。挤压以移除长度为1的轴：

In [13]: np.squeeze(np.array([[1],[2],[3]])).shape
Out[13]: (3,)

NumPy广播规则允许在需要时在左侧自动添加新轴。因此< code>(442，)可以广播到< code>(1，442)。长度为1的轴可以广播到任何长度。因此，当您测试shape (442，1)数组和shape (442，)数组之间的相等性时，第二个数组被提升为shape (1，442)数组，然后这两个数组扩展其长度为1的轴，以便它们都成为shape (442，442)的广播数组。这就是为什么当您测试相等性时，结果是shape (442，442)的布尔数组。

In [15]: np.array([1,2,3]) == np.array([[1],[2],[3]])
Out[15]: 
array([[ True, False, False],
       [False,  True, False],
       [False, False,  True]], dtype=bool)

In [16]: np.array([1,2,3]) == np.squeeze(np.array([[1],[2],[3]]))
Out[16]: array([ True,  True,  True], dtype=bool)