选择 numpy 数组的一列

Question

我对选择 NumPy 数组的一列有些困惑，因为结果与 Matlab 甚至 NumPy 矩阵不同。请看以下案例。

在Matlab中，我们使用以下命令从矩阵中选择列向量。

x = [0, 1; 2 3]
out = x(:, 1)

然后out变成[0; 2]，是一个列向量。

用NumPy 矩阵

做同样的事情

x = np.matrix([[0, 1], [2, 3]])
out = x[:, 0]

那么输出就是预期的np.matrix([[0], [2]])，它是一个列向量。

但是，如果是 NumPy 数组

x = np.array([[0, 1], [2, 3]])
out = x[:, 0]

输出是np.array([0, 2])，它是一维的，所以它不是列向量。我的期望是应该是np.array([[0], [2]])。 我有两个问题。

1. 为什么 NumPy 数组情况的输出与 NumPy 矩阵情况不同？这让我很困惑，但我认为这可能是有原因的。

2. 要从 2-Dim NumPy 数组中获取列向量，我是否应该执行其他操作，例如 expand_dims

x = np.array([[0, 1], [2, 3]])
    out = np.expand_dims(x[:, 0], axis = 1)

Answer 1

在 MATLAB 中，一切都至少有 2 个维度。在较旧的 MATLAB 中，只有 2d，现在他们可以拥有更多。 np.matrix 是在那个旧的 MATLAB 上建模的。

当您为 3d 矩阵编制索引时，MATLAB 会做什么？

np.array 更通用。它可以有 0、1、2 或更多维度。

x[:, 0]
x[0, :]

都选择一列或一行，并返回一个少一维的数组。

x[:, [0]]
x[[0], :]

将返回二维数组，具有单一维度。

在 Octave（MATLAB 克隆）中，索引会产生不一致的结果，具体取决于我选择矩阵的哪一侧：

octave:7> x=ones(2,3,4);
octave:8> size(x)
ans =
   2   3   4

octave:9> size(x(1,:,:))
ans =
   1   3   4

octave:10> size(x(:,:,1))
ans =    
   2   3

MATLAB/Octave 在末尾添加维度，并且显然也很容易将它们向下挤压。

numpy 将维度排序在另一个方向，并且可以根据需要在开头添加维度。但是在索引时挤出单一维度是一致的。

numpy 可以有任意数量的维度，而 MATLAB 至少有 2 个这一事实是一个关键的区别，它经常让 MATLAB 用户感到困惑。但一个并不比另一个更合乎逻辑。 MATLAB 的实践比一般原则更具有历史意义。