咨询：Numpy数组中尺寸为1的维度与无该维度的差异及x[2,3]与y[2,3,1]数组的区别

嘿，这个问题在刚接触NumPy的开发者里挺常见的，我来给你掰扯清楚这两个问题：

1. 带尺寸为1的维度和无该维度数组的核心差异 #

这俩的区别主要体现在数组的元数据属性和操作行为上，具体来说：

• 形状（shape）和维度数不同：最直观的就是shape元组不一样，比如(2,3)是2维数组，(2,3,1)是3维数组——哪怕那个额外维度的尺寸是1，它也是一个独立的维度。
• 广播规则的适配逻辑不同：NumPy的广播完全依赖数组形状的匹配。举个例子，如果你把(2,3)的数组和(3,1)的数组相加，广播会自动把后者扩展成(2,3)；但如果是(2,3,1)和(3,1)的数组相加，广播的逻辑就变成把后者扩展成(2,3,1)，最终结果是3维数组，和前者的2维结果完全不同。
• 索引、切片的操作结果不同：比如对于(2,3,1)的数组，你得用y[:, :, 0]才能拿到和x一样的2维数组；而x直接索引就好。另外像np.expand_dims()和np.squeeze()就是专门用来添加/删除这种尺寸为1的维度的工具。
• 内存存储是一致的：这点要提一下，虽然维度不同，但两个数组的元素在内存里是连续且完全相同的——差异只在NumPy给数组对象附加的形状信息上，不会额外占用内存。

2. x(2,3)和y(2,3,1)是完全相同的吗？ #

答案是不完全相同：它们包含的元素值完全一致，但本质是两个不同的NumPy数组对象，核心差异就是上面说的维度和形状属性。

给你看段实际代码就明白了：

import numpy as np

# 创建示例数组
x = np.array([[1,2,3], [4,5,6]])
y = x[:, :, np.newaxis]  # 给x添加一个尺寸为1的维度

print(x.shape)  # 输出 (2, 3)
print(y.shape)  # 输出 (2, 3, 1)

# 检查元素是否一致
print(np.array_equal(x, y.reshape(2,3)))  # 输出 True
# 检查是否是同一个对象
print(x is y)  # 输出 False

简单说：元素内容是一样的，但数组的“身份属性”（维度数、形状）不同，所以在参与运算、作为函数输入时，经常会有不一样的表现——比如有些函数要求输入是特定维度的数组，这时候y就不能直接代替x，得先squeeze()一下。

内容的提问来源于stack exchange，提问作者user836026