Python 中向量的大小是 (N,1) 而不是 (N,)

Question

在Python中，我正在编写一段代码，在某些时候需要一个矩阵（可能是一个向量）X并考虑它的维度，因为我想将每个维度分别存储在变量$m$和$n$中。如果矩阵 $X$ 是大小为 $N imes 1$ 的向量，则

np.shape(X)

将作为输出

(N,)

返回。但是，此信息没有帮助，因为当我将信息存储为

m,n = np.shape(X)

时，我会遇到错误

ValueError: not enough values to unpack (expected 2, got 1)

有人知道如何解决这个问题吗？理想情况下，我想存储 $m = N, n = 1$，但我不知道如何实现这一点。我考虑过对我的向量进行重塑，例如

X = np.reshape(X, (np.shape(X)[0], 1))

，但这可能会在继续编写代码时导致进一步的问题。对此有何建议？感谢您的帮助！

Answer 1

当 NumPy 返回包含一维数组或向量的单个元素的元组时，它以

(5,)

格式表示，而不是通常的

(5)

格式。这样做是为了在 Python 中明确识别元组。

NumPy 始终返回一个元组以保持输出一致性，即使它是一维数组也是如此。为了表示具有单个元素（例如数字 5）的元组，它会附加一个逗号来指示它是一个元组，而不仅仅是一个没有括号的值。

当

np.shape(X)

返回一维数组的单元素元组时，就会出现问题。尝试解包（例如

m, n = np.shape(X)

）会触发错误，因为 Python 需要两个值来解包，但只收到一个值，从而导致“没有足够的值来解包”错误。

为了避免此问题，可以利用

np.shape(X)

方法来确定数组维度中的元素数量，并根据需要添加必要的维度。

这是解决此问题的示例函数：

def dim(matrix, required_dims=2):
    shape = np.shape(matrix)
    if len(shape) < required_dims:
        shape += (1,) * (required_dims - len(shape))
    return shape

此函数有效地将所需的维数添加到基于

shape

的元组中，即使对于一维数组也能确保正确的维数。使用示例：

required_dims

如果需要，您可以删除此函数中的条件

---

matrix = np.array([1, 2, 3, 4, 5])
result = dim(matrix, required_dims=3)
print(result)  # Output: (5, 1, 1)

语句：

if

如果你只需要处理向量，可以使用这个函数：

---

def dim(matrix, required_dims=2):
    shape = np.shape(matrix)
    shape += (1,) * (required_dims - len(shape))
    return shape

此函数返回非向量矩阵的未更改维度，并添加描述第二个单位的附加维度，否则。