Numpy中秩1数组的定义是什么？形状为(m,)的数组本质是什么？

嘿，这俩问题可是NumPy入门时很容易懵的点，我来给你讲明白～

在NumPy里，数组的“秩”其实就是它的维度数（可以用ndim属性查看）。所以秩1数组就是只有1个维度的数组，它的形状会是(m,)这样的形式——这里的逗号是为了区分它和单纯的元组(m)（后者只是一个整数的元组包装），表示这是一个长度为m的一维数组。

简单说，它既不是传统意义上的行向量，也不是列向量，因为后两者都是二维数组（秩2）：

• 行向量的形状是(1, m)（1行m列）
• 列向量的形状是(m, 1)（m行1列）

结合你给出的代码例子，u = np.random.randn(5)生成的就是形状(5,)的一维数组，它的本质就是NumPy中的一维数组对象，和二维的行/列向量完全是两回事。

咱用代码验证下区别：

import numpy as np

# 生成秩1数组（一维）
u = np.random.randn(5)
print("u的形状:", u.shape)  # 输出 (5,)
print("u的维度数:", u.ndim)  # 输出 1
print("u转置的形状:", u.T.shape)  # 还是 (5,) —— 一维数组转置不会改变形状

# 生成二维列向量
v = np.random.randn(5, 1)
print("\nv的形状:", v.shape)  # 输出 (5, 1)
print("v的维度数:", v.ndim)  # 输出 2
print("v转置的形状:", v.T.shape)  # 输出 (1, 5) —— 这才是行向量的形状

# 生成二维行向量
w = np.random.randn(1, 5)
print("\nw的形状:", w.shape)  # 输出 (1, 5)
print("w的维度数:", w.ndim)  # 输出 2

为什么说它既不是行也不是列向量？因为在矩阵运算里，行/列向量是二维结构，而一维数组在参与运算时会触发NumPy的广播机制——它可以和行/列向量“兼容”运算，但本质上它没有行或列的属性。比如你要是想把它当成列向量用，最好显式转成二维数组：u.reshape(5, 1)或者u[:, np.newaxis]，这样就变成了标准的列向量形状。

总结一下：形状(m,)的数组是NumPy的一维数组，是秩1结构，和二维的行/列向量不是一个概念，别把它们混为一谈哦～

内容的提问来源于stack exchange，提问作者moth