我目前正在学习 Python，在执行基本的数组切片命令时偶然发现了一个让我有点困惑的结果。
我使用这个命令创建了一个 4x5 矩阵：
>>> a = numpy.arange(20).reshape(4,5)
这给出了：
[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10,11,12,13,14],
[15,16,17,18,19]]
如果我像这样索引数组：
>>> a[0:3, 2]
我得到一个行向量：
[2, 7, 12]
但是如果我像这样索引数组：
>>> a[0:3, 2:3]
我得到一个列向量：
[[ 2],
[ 7],
[12]]
当插入两个命令时，我希望结果是相同的，那为什么我得到不同类型的向量？
谢谢！
【问题讨论】：
a[0:3, [2]]
标签： python arrays numpy vector slice
tl;dr 版本
在 numpy 中，沿数组的维度获取单个索引会将维度减少 1，因此从二维数组获取索引会生成一维数组（第一种情况）。沿一个维度取一个切片保持相同的维度，即使切片的长度为 1，所以取一个 2D 数组的长度为 1 的切片仍然是一个 2D 数组（第二种情况）
详细版
问题在于第一个结果不是行向量，而是一维数组。当您从一个维度中获取单个标量索引时，它会将维度数减少 1。因此，从 4D 数组中获取标量索引使其成为 3D 数组，从 3D 数组中获取一个使其成为 2D 数组，2D 数组一维数组和一维数组到标量。
这是为了保持一致性。如果从一维数组中取出一个项目是一个标量（将维度减少一），那么通过扩展，高维等效操作应该以等效的方式表现。
在第二种情况下，您获取的是切片，而不是标量。当你这样做时，它会保留维度的数量。因此，即使切片为空（或在您的情况下长度为 1），获取 2D 数组的切片始终是 2D 数组。这也是为了一致性。如果二维数组的长度为 3 的切片是二维数组，而二维数组的长度为 2 的切片是二维数组，那么二维数组的长度为 1 的切片也应该是二维数组。
这也是一种方便的约定，因为它允许您在几个字符中明确定义是否要降低维度。
一些语言，比如 MATLAB，没有一维数组（或者，从技术上讲，矩阵）的概念，数组可以是 0D（标量）、2D、3D 等，但不能是 1D。另一方面，Python 允许使用真正的一维数组，这可能会使不习惯它的人绊倒。
【讨论】：
如果你使用两个切片，你会得到两个维度。尽管您在第二个示例中得到的有时称为“列向量”，但它实际上是一个 Nx1 二维数组。这与您在第一个示例中得到的不同，它根本不是二维的，而是一维数组。
您使用切片而不是单个值的事实是导致额外维度的原因。 Numpy 不会查看切片实际抓取的元素数量；它只是查看您是否使用了切片。如果a[0:3, 2:3]返回的是一维向量，而a[0:3, 1:3]返回的是二维数组，那就更混乱了。
【讨论】：
为什么会有不同的命令。
在第一种情况下，您将获得前三行以及其中的第三个元素。这将只返回元素。
在第二种情况下，您获得前三行并指定第三列的两个元素。此列将返回它，或者一个元素的向量
【讨论】：