在numpy 中，结果数组的维度在运行时会有所不同。
1d 数组和 1 列的 2d 数组之间经常存在混淆。
在一种情况下，我可以遍历列，在另一种情况下，我不能。
你如何优雅地解决这个问题？
为了避免在我的代码中添加if 检查维度的语句，我使用了这个函数：
def reshape_to_vect(ar):
if len(ar.shape) == 1:
return ar.reshape(ar.shape[0],1)
return ar
但是，这感觉不优雅且成本高昂。有没有更好的解决方案？
【问题讨论】：
dtype 是什么？看起来structured。
标签： python arrays python-2.7 numpy
你可以做-
ar.reshape(ar.shape[0],-1)
reshape 的第二个输入：-1 负责第二个轴的元素数量。因此，对于2D 输入案例，它没有变化。对于1D 输入案例，它会创建一个2D 数组，其中所有元素都被“推”到第一个轴，因为ar.shape[0] 是元素的总数。
样本运行
一维案例：
In [87]: ar
Out[87]: array([ 0.80203158, 0.25762844, 0.67039516, 0.31021513, 0.80701097])
In [88]: ar.reshape(ar.shape[0],-1)
Out[88]:
array([[ 0.80203158],
[ 0.25762844],
[ 0.67039516],
[ 0.31021513],
[ 0.80701097]])
二维案例：
In [82]: ar
Out[82]:
array([[ 0.37684126, 0.16973899, 0.82157815, 0.38958523],
[ 0.39728524, 0.03952238, 0.04153052, 0.82009233],
[ 0.38748174, 0.51377738, 0.40365096, 0.74823535]])
In [83]: ar.reshape(ar.shape[0],-1)
Out[83]:
array([[ 0.37684126, 0.16973899, 0.82157815, 0.38958523],
[ 0.39728524, 0.03952238, 0.04153052, 0.82009233],
[ 0.38748174, 0.51377738, 0.40365096, 0.74823535]])
【讨论】：
x = np.reshape(x, (len(x),-1))，它还处理输入是一维或二维列表的情况。
我询问了dtype，因为你的例子令人费解。
我可以创建一个包含 3 个元素 (1d) 和 3 个字段的结构化数组：
In [1]: A = np.ones((3,), dtype='i,i,i')
In [2]: A
Out[2]:
array([(1, 1, 1), (1, 1, 1), (1, 1, 1)],
dtype=[('f0', '<i4'), ('f1', '<i4'), ('f2', '<i4')])
我可以通过名称访问一个字段（添加括号不会改变事情）
In [3]: A['f0'].shape
Out[3]: (3,)
但如果我访问 2 个字段，我仍然会得到一个一维数组
In [4]: A[['f0','f1']].shape
Out[4]: (3,)
In [5]: A[['f0','f1']]
Out[5]:
array([(1, 1), (1, 1), (1, 1)],
dtype=[('f0', '<i4'), ('f1', '<i4')])
实际上，如果我查看值，那些额外的括号确实很重要
In [22]: A['f0']
Out[22]: array([1, 1, 1], dtype=int32)
In [23]: A[['f0']]
Out[23]:
array([(1,), (1,), (1,)],
dtype=[('f0', '<i4')])
如果数组是简单的 2d 数组，我仍然没有得到你的形状
In [24]: A=np.ones((3,3),int)
In [25]: A[0].shape
Out[25]: (3,)
In [26]: A[[0]].shape
Out[26]: (1, 3)
In [27]: A[[0,1]].shape
Out[27]: (2, 3)
但是关于确保数组是2d的问题，不管索引返回1d还是2，你的函数基本没问题
def reshape_to_vect(ar):
if len(ar.shape) == 1:
return ar.reshape(ar.shape[0],1)
return ar
您可以测试ar.ndim 而不是len(ar.shape)。但无论哪种方式，它的成本都不高——也就是说，执行时间很短——没有大的数组操作。 reshape 不会复制数据（除非你的步幅很奇怪），所以它只是使用共享数据指针创建一个新数组对象的成本。
查看np.atleast_2d的代码；它测试 0d 和 1d。在第一种情况下，它返回result = ary[newaxis,:]。它首先添加额外的轴，更自然的numpy 添加轴的位置。你在最后添加它。
ar.reshape(ar.shape[0],-1) 是绕过if 测试的巧妙方法。在小时间测试中它更快，但我们谈论的是微秒，即函数调用层的效果。
np.column_stack 是另一个在需要时创建列数组的函数。它使用：
if arr.ndim < 2:
arr = array(arr, copy=False, subok=True, ndmin=2).T
【讨论】：
为了避免一开始就需要重新整形，如果你用列表对行/列进行切片，或者“运行”切片，你将得到一个包含一行/列的二维数组
import numpy as np
x = np.array(np.random.normal(size=(4,4)))
print x, '\n'
Result:
[[ 0.01360395 1.12130368 0.95429414 0.56827029]
[-0.66592215 1.04852182 0.20588886 0.37623406]
[ 0.9440652 0.69157556 0.8252977 -0.53993904]
[ 0.6437994 0.32704783 0.52523173 0.8320762 ]]
y = x[:,[0]]
print y, 'col vector \n'
Result:
[[ 0.01360395]
[-0.66592215]
[ 0.9440652 ]
[ 0.6437994 ]] col vector
y = x[[0],:]
print y, 'row vector \n'
Result:
[[ 0.01360395 1.12130368 0.95429414 0.56827029]] row vector
# Slice with "running" index on a column
y = x[:,0:1]
print y, '\n'
Result:
[[ 0.01360395]
[-0.66592215]
[ 0.9440652 ]
[ 0.6437994 ]]
相反，如果您使用单个数字来选择行/列，则会产生一维数组，这是问题的根本原因：
y = x[:,0]
print y, '\n'
Result:
[ 0.01360395 -0.66592215 0.9440652 0.6437994 ]
【讨论】：
最简单的方法：
ar.reshape(-1, 1)
【讨论】：
divakar 的答案的一个变体是：x = np.reshape(x, (len(x),-1))，它还处理输入是 1d 或 2d 列表的情况。
【讨论】：
y = np.array(12)
y = y.reshape(-1,1)
print(y.shape)
O/P:- (1, 1)
【讨论】：
从一维数组（N）到二维主要有两种方式
具有 1 列的数组
(N x 1):
np.newaxis 进行索引；reshape() 方法重塑。x = np.array([1, 2, 3]) # shape: (3,) <- 1d
x[:, None] # shape: (3, 1) <- 2d (single column matrix)
x[:, np.newaxis] # shape: (3, 1) <- a meaningful alias to None
x.reshape(-1, 1) # shape: (3, 1)
【讨论】：