row是行还是列python中_Python：区分行和列向量

当我试图计算w^T * x使用numpy的，对我来说是超级混乱以及。事实上，我自己无法实现。所以，这是NumPy中我们需要熟悉的几个陷阱之一。

至于1D阵列而言，有的行向量和列向量之间没有区别。他们完全一样。

请看下面的例子，在这里我们得到了相同的结果，在所有情况下，这是不是在真正的线性代数(的理论意义)：

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矢量的平方长度|w|^2。我们需要将w转换为2D数组。

In [51]: wt = w[:, np.newaxis]

In [52]: wt

Out[52]:

array([[0],

[1],

[2],

[3],

[4]])

现在，让我们来计算矢量w的平方长度(或平方幅度)：

In [53]: np.dot(w, wt)

Out[53]: array([30])

请注意，我们使用w，wt代替wt，w(如在理论线性代数)因为形状与使用np.dot(wt，w)不匹配。所以，我们有矢量的平方长度为[30]。也许这是区分(numpy的解释)行列向量的方法之一吗？

最后，我有没有提到，我想通过实施w^T * x的方式？是的，我所做的：

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])

所以，在与NumPy，操作数的顺序是相反的，如上述证明，相反的是，我们在理论上的线性代数研究。