Python | numpy.array中形状（R，1）和（R，）的区别

在NumPy中，数组的形状描述了数组中元素的维度和数量。对于二维数组（也称为矩阵），形状通常表示为（行数，列数）。

在本文中，我们将看到NumPy数组形状（R，1）和（R，）之间的区别。

什么是（R，）？

（R，）是Python中一维数组的形状元组。这个形状元组显示了一维数组中的列数，即，数组中元素的个数由于一维数组只有一行，因此形状元组中不显示行数。

示例：

在给定的示例中，我们创建了一个由5个元素组成的一维数组。5个元素也可以表示数组有5列。因此，数组的形状输出为（5，）。一维数组只能有一行。因此，形状元组不显示行数。

# importing numpy library
import numpy as np

# creating an one-dimensional array
arr_1dim = np.array([1, 2, 3, 4, 5])

# printing the created array and its shape
print('Array: {} \nShape of the array: {}'.format(arr_1dim, arr_1dim.shape))

输出

Array: [1 2 3 4 5] 
Shape of the array: (5,)

什么是（R，1）？

数组的形状元组中元素的数量可以告诉我们该数组的维数。就像当形状元组包含一个元素时，它说数组是一维的，我们可以推断当形状元组有2个元素时，数组是二维的。二维数组的形状元组的第一个元素显示该数组中的行数，而第二个元素显示列数。因此，形状（R，1）表示二维数组只有一列。

示例：

在给定的示例中，我们可以看到二维数组有5行，只有一列。由于2-D数组的形状元组首先显示数组中的行数，因此形状元组的第一个元素包含数字5。2D数组只有一列，因此，2D数组的第二个元素包含数字1。

# importing numpy library
import numpy as np

# creating an one-dimensional array
arr_2dim = np.array([[1], [2], [3], [4], [5]])

# printing the created array and its shape
print('Array:\n{} \nShape of the array: {}'.format(arr_2dim, arr_2dim.shape))

输出

Array:
[[1]
 [2]
 [3]
 [4]
 [5]] 
Shape of the array: (5, 1)

（R，1）和（R，）的区别

现在我们将通过给定的例子来看看numpy.array形状（R，1）和（R，）之间的区别。

numpy.array shape（R，1）：这意味着数组是一个二维数组，有R行和1列。这样的数组通常可以看作是列向量。
numpy.array shape（R，）：这表示数组是一个一维数组，有R个元素。它不是二维的，而是一维的。

# importing the NumPy library
import numpy as np

# creating a 1D array
arr_1d = np.array([1, 2, 3, 4])
# creating a 2D array
arr_2d = np.array([[1],[2],[3],[4]]) 

print(arr_1d, '\nShape of the array: ', arr_1d.shape)
print()
print(arr_2d, '\nShape of the array: ', arr_2d.shape)

输出

[1 2 3 4] 
Shape of the array:  (4,)
[[1]
 [2]
 [3]
 [4]] 
Shape of the array:  (4, 1)

这两个形状的主要区别在于它们的维度：一个是有两个维度（行和列），另一个只有一个维度。在处理这些数组时，您可能会遇到不同的操作和预期的行为，具体取决于您的需求和您使用的函数。