np.reshape(x, (-1,1)) vs x[:, np.newaxis]

Question

我最近在阅读一个开源项目的源代码。当程序员想要将一个行向量如array([0, 1, 2])转换为一个列向量，如array([[0], [1], [2]])时，使用了np.reshape(x, (-1,1))。在注释中，它说reshape是必要的，以保持数据的连续性，而[:, np.newaxis]则不能做到这一点。

我尝试了这两种方法，看起来它们会返回相同的结果。那么这里的数据连续性保持是什么意思呢？

- HannaMao

---

这个故事的某些部分在重复讲述中失去了一些内容。例如，“行向量”的部分似乎是不正确的；一个真正的1乘以任何数的行向量将对这些操作有不同的响应。 - user2357112

Answer 1

两种方式都返回相同数据的视图，因此“数据连续性”可能不是问题，因为数据没有改变，只有视图改变了。参见Numpy：使用reshape或newaxis添加维度。

然而，使用.reshape((-1,1))可能存在实际优势，因为它将数组重塑为2D数组，而不考虑原始形状。对于[:, np.newaxis]，结果将取决于数组的原始形状，具体如下：

In [3]: a1 = np.array([0, 1, 2])

In [4]: a2 = np.array([[0, 1, 2]])

In [5]: a1.reshape((-1, 1))
Out[5]: 
array([[0],
       [1],
       [2]])

In [6]: a2.reshape((-1, 1))
Out[6]: 
array([[0],
       [1],
       [2]])

In [7]: a1[:, np.newaxis]
Out[7]: 
array([[0],
       [1],
       [2]])

In [8]: a2[:, np.newaxis]
Out[8]: array([[[0, 1, 2]]])

- CT Zhu