(20,)向量与(20,1)矩阵的区别及为何不用x.T替代reshape

• 维度本质不同：x是numpy一维数组，形状为(20,)，它没有行或列的属性，只是一组线性排列的数值；X是二维数组，形状为(20,1)，明确表示20行1列的列向量，具备矩阵的维度特征。
• 适配模型要求：线性回归等机器学习模型的输入特征要求是「样本数×特征数」的二维结构，X的格式刚好对应“20个样本，每个样本1个特征”；而一维的x会被模型误判为“1个样本，20个特征”，完全不符合实验逻辑。

numpy中一维数组没有行/列的方向概念，转置操作x.T对它完全不起作用：

• 执行x.T后，数组的形状仍然是(20,)，无法得到我们需要的(20,1)二维列向量。
• 实际验证代码：

import numpy as np
x = np.arange(0, 20, 1)
print(x.T.shape)  # 输出结果为 (20,)

只有当数组是二维及以上时，转置才会交换维度，一维数组不存在这个逻辑。

内容的提问来源于stack exchange，提问作者Dietzsche Nostoevsky