numpy中行列元素如何排列？如何理解numpy数组shape与矩阵的对应关系？

基础概念：shape与数组维度的对应 #

• NumPy数组的shape属性返回的元组长度，完全等于数组的维度（即ndim属性值），元组每个位置的数值对应该维度下的元素数量。
• 线性代数范畴的「矩阵」本质是二维数组，对应shape长度为2，第一个值代表行数，第二个值代表列数；而维度≠2的数组，不能直接和常规矩阵概念划等号。

针对示例问题的解答 #

1. shape为(5,)的数组是什么？ #

你执行的代码：

import numpy as np 
a = np.zeros(5)
print(a.shape) # 输出 (5,)

得到的a是一维数组，从矩阵视角看，它既不是1行5列的行向量，也不是5行1列的列向量，只是长度为5的无方向一维序列，打印结果只有一层方括号也可以佐证这一点。
如果要对应线性代数里的行/列向量，需要显式把它转为二维数组：

• 1行5列的行向量（二维数组）：a.reshape(1,5)，打印结果为array([[0., 0., 0., 0., 0.]])，两层方括号，符合二维数组的特征
• 5行1列的列向量（二维数组）：a.reshape(5,1)，也就是你后续修改shape得到的结果，打印出来每个元素单独占一行，符合列矩阵的展示形式。

2. 常用的维度调整技巧 #

如果需要给一维数组增加维度转为矩阵形式，可以用np.newaxis快速实现：

# 转为行向量 shape=(1,5)
row_vec = a[np.newaxis, :]
# 转为列向量 shape=(5,1)
col_vec = a[:, np.newaxis]

注意事项 #

做矩阵运算时要注意一维数组和二维向量的差异：

• 一维数组参与@矩阵乘法时，会自动根据运算规则适配为行或列向量
• 显式的二维行/列向量必须严格符合矩阵乘法的维度匹配要求，否则会报错。

内容的提问来源于stack exchange，提问作者Regressor