为什么 np.zeros(3) 和 np.zeros((3,1)) 在 python 中的维度不同？

Question

我正在尝试为 python 中共同正常的三个随机变量生成 N 个数据点。如果我使用以下代码：

import numpy as np
import scipy
import pandas
import sys
from scipy.linalg import block_diag
from pandas import *
N=100
Sigma=np.identity(3)
Mu=np.zeros((3,1))
Z=np.random.multivariate_normal(Mu, Sigma, N)

我收到以下错误消息：

in <module>
    Z=np.random.multivariate_normal(Mu, Sigma, N)
  File "mtrand.pyx", line 4067, in numpy.random.mtrand.RandomState.multivariate_normal
ValueError: mean must be 1 dimensional

这意味着np.zeros((3,1))的维度不是1。将行 Mu=np.zeros((3,1)) 更改为 Mu=np.zeros(3) 后，它起作用了。这意味着 np.zeros(3) 是 1 维度的。

由于np.zeros(3) 和np.zeros((3,1)) 都是三个零的数组，我想自然地它们都应该是一维的。在每种情况下使用 Mu.ndim，我发现 np.zeros(3) 的维度是一维，而 np.zeros((3,1)) 的维度是二维。我的问题是：

为什么Python在尺寸上区分np.zeros((3,1))和np.zeros(3)（为什么这个区分有用）？

Answer 1

他们有不同的尺寸是正常的。第一个只有 1 个由 3 个零组成的数组，第二个有 3 个数组，每个数组由 1 个零组成。

如果您在示例中打印 Mu[0]，您将得到一个列表 [0.]，而如果您在使用 np.zeros(3) 定义它之后打印 Mu[0]，您将得到0.0

我可以想到这种区分很有用的情况，尤其是在使用机器学习中的功能时。如果我有一系列大小为 1 的特征，我想使用维度 [n,1] 而不是 [n]，因为这有助于模型（比方说 LSTM）在序列大小和特征大小之间产生差异。

为什么 np.zeros(3) 和 np.zeros((3,1)) 在 python 中的维度不同？

Why np.zeros(3) and np.zeros((3,1)) are of different dimensions in python?

python

arrays

numpy

dimension