NumPy中np.array([1,2,3])与np.array([[1,2,3]])的区别是什么

这是个非常常见的NumPy入门疑问！虽然这两行代码创建的数组看起来都包含[1,2,3]，但它们的维度、结构和行为逻辑完全不同，我来一步步拆解：

• 维度（ndim）差异
  第一个代码创建的是一维数组：

  import numpy as np
  arry1 = np.array([1,2,3])
  print(arry1.ndim)  # 输出：1
  

  第二个代码创建的是二维数组（行向量）：

  arry2 = np.array([[1,2,3]])
  print(arry2.ndim)  # 输出：2
  

  简单说，一维数组是"一条线"，二维数组是"一张纸里的一行"。

• 形状（shape）差异
  数组的形状直接反映了它的结构：

  • arry1.shape 返回 (3,)——这是一个单元素元组，表示它只有一个维度，长度为3，没有行/列的概念。
  • arry2.shape 返回 (1, 3)——表示它有2个维度，1行3列，是标准的矩阵行向量结构。

• 索引方式不同
  因为结构不同，访问元素的方式也有区别：

  • 一维数组直接通过单索引访问：arry1[0] 就能拿到第一个元素1。
  • 二维数组需要两层索引：arry2[0, 0] 或者 arry2[0][0] 才能拿到1——第一个索引指定行，第二个指定列。

• 运算与广播行为差异
  NumPy的广播规则会根据数组维度而变化：
  比如做矩阵乘法时，一维数组的点积和二维数组的矩阵乘法结果完全不同：

  # 一维数组点积，输出标量14
  print(arry1 @ np.array([1,2,3]))  
  # 二维数组矩阵乘法，输出[[14]]（一个1x1的二维数组）
  print(arry2 @ np.array([[1],[2],[3]]))  
  

  再比如和形状为(3,1)的数组相加时，两者都会被广播成(3,3)，但如果是需要严格匹配矩阵维度的场景，二维数组的结构会更符合线性代数的直觉。

• 适用场景不同

  • 一维数组适合存储单一维度的序列数据，比如温度随时间的变化值、单个特征的样本集合。
  • 二维数组适合表示结构化的矩阵数据，比如一条样本的特征向量（对应行）、或者多行样本组成的数据集，在和其他矩阵（比如权重矩阵）做运算时逻辑更清晰。

内容的提问来源于stack exchange，提问作者Avv