python numpy的一些注意事项

python的numpy包是一个经过高度优化过的矩阵计算库，有各种加速组件，很多其他的库也都建立在它之上，适用于大数据计算，但也区别于自带类型列表list。但是其也受限于Python设计规则，或者自身优化的原因，有很多提前注意的要点，这个需要慢慢积累。

首先numpy包支持(3,)，以及(3,1)，(1,3)形式的向量，后两者是常见的列向量与行向量，可以正常参与矩阵运算，但对以第一个定义比较模糊，其实既不是行向量，也不是列向量，但是却可以行向量去对待。python numpy默认行优先，按行展开，默认优先组成行向量，而matlab按列展开。而tensorflow甚至还支持()shape的张量，比如tf.constant(3)，虽然也是按行展开。但是其实到了更高维(三维以及以上)，python其实与matlab，甚至c语言维数顺序定义又不一样，哪一个是深度维度。。其实python里面只有第一维，第二维，第三维，你可以按你自己的思路去映射一个张量，运算的时候也是(包括展开，恢复等)，但是如果要代表具体的意义，比如tensorflow的特征图意义，则需要指定，不然不好统一。

---

下面开始正式介绍例程：

https://blog.csdn.net/wintersshi/article/details/80489258

行向量

方式1

import numpy as np
b=np.array([1,2,3]).reshape((1,-1))
print(b,b.shape)

结果：

(array([[1, 2, 3]]), (1, 3))

方式2

import numpy as np
b=np.array([[1,2,3]])	#两层'[]'
print(b,b.shape)

结果

(array([[1, 2, 3]]), (1, 3))

---

列向量

方式1

import numpy as np
a=np.array([1,2,3]).reshape((-1,1))
print(a,a.shape)

结果：

(array([[1],
       [2],
       [3]]), (3, 1))

方式2

import numpy as np
a=np.array([[1,2,3]]).T
print(a,a.shape)

结果

(array([[1],
       [2],
       [3]]), (3, 1))

---

备注

这篇文章写了好久了,中间习惯了在其他网站写博客,所以CSDN好久就没登录了,今天登录后发现这篇文章有很多评论,才发现文章写的确实有问题,实在是抱歉.感谢大家的指正.文章已修改.

---

关于维度顺序的话，有时候特别容易把人绕晕，所以有人总结了一些自己理解的方法：
https://blog.csdn.net/marukoheart/article/details/88091409

本文关键词: 行列习惯 行列习惯 行列习惯！

一、行列维度

A = np.array([1, 2, 3, 4, 5, 6])	# 一维
print(A.shape)
>>>(6,)					# 1X6 （1行6列）
B = np.array([[1, 2], [3, 4], [5, 6]])	# 二维
print(B.shape)
>>>(3, 2)				# 3X2 （3行2列）
C = np.array([[[1], [2]], [[3], [4]], [[5], [6]]])	# 三维
print(C.shape)
>>>(3, 2, 1)				# 可以看到新增加的维度是从左边插入的

矩阵Tips

1. 行列习惯： 一般说话的习惯是行列 (很少有人习惯说列行吧) ，所以在矩阵中 m x n 就是m行×n列。
2. 维度是从0开始索引的，矩阵有两个维度，第一个是0维度，第二个是1维度，其中0维度对应行，1维度对应列，符合行列习惯。（上面的代码中生成了3×2的数组B，即0维度有3个元素，1维度有2个元素。）
3. 一维数组一定要用 1 × n 来记！！

奇怪的分析(可能是错的，看了忘了就好)

1. 左边插入： 对A,B,C三个数组分析即可知道新增加的维度是从左边插入的 (那为啥0维度是行而不是列？ 有点矛盾啊)
2. 一维数组为啥是 (6 , ) 而不是 (, 6) 。这样才能对应上 (行，列) 吧？
3. 两个矩阵的乘积（例如Y*Z）必须要满足：Y的1维度元素个数和Z的0维度元素个数相同。
   比如(2, 3) 和 (3, 4) 是满足的，因为都是3个元素。这个很好记，只要中间两个数相同即可，但是要注意一维数组A虽然是 (6, )表示的，但是它乘(6, 1)是满足的！乘(1, 6)是不满足的， ，所以说一维数组用( , 6)表示更好吧？！

二、axis = 0/1/2

A = np.array([1, 2, 3, 4, 5, 6])
print(A.sum(axis = 0))
>>>21
B = np.array([[1, 2], [3, 4], [5, 6]])
print(B.sum(axis = 0))
print(B.sum(axis = 1))
>>>[ 9 12]		# [1,2] + [3, 4] +[5, 6] = [9, 12]  每一行的和
>>>[ 3  7 11]		#[1, 3, 5] + [2, 4, 6] = [3, 7, 11] 每一列的和
C = np.array([[[1], [2]], [[3], [4]], [[5], [6]]])
print(C.sum(axis = 0))
>>>[[ 9] [12]]

axis是轴的意思，跟维度一样，是从0开始索引。
二维数组中有两个轴：

1. 0轴沿着0行到1行的方向垂直向下（纵向）
2. 1轴沿着0列到1列的方向水平延伸（横向）

由于行列没有方向的属性，所以这里用0行到1行的向量来表示方向加强记忆，
这样就又符合行列习惯了 （0对应行，1对应列）

至于axis = 0/1/2运算的分析可以查看
https://blog.csdn.net/sky_kkk/article/details/79725646
思路清奇，便于记忆。

---

所以的话，在不确定的时候，最好先用简单的numpy实验验证一下，否则可能出错，或者输出可能不是预期的结果。
比如：
https://blog.csdn.net/u012871493/article/details/71055653

numpy中shape为(m,)的数组在矩阵运算的过程中看作行向量处理

附　Numpy的陷阱

你也可以看看链接下的评论，以及附加链接。。

当然了，最后一篇博文，就直接开门见山了。
https://blog.csdn.net/lyl771857509/article/details/84063850

1、numpy中shape=(m, )其实默认是一个 1xm的行向量

示例：

1.1 生成一个shape=(m,)的数组

 

2、numpy中将行向量转为列向量的集中方法

因为（m,1）是一维数组，默认是行向量，要想变成列向量，mxn. 就必须增加一个维度

2.1  reshape操作

 

2.2 数组中添加一个维度 np.newaxis,可以在任何位置插入一个维度

 

2.3、通过二维数组转置 

 

3、证明shape（m,）默认是个行向量