- NumPy中形状的含义
你写道：“我从字面上知道这是一个数字列表和一个列表列表，其中所有列表都只包含一个数字”，但这是一种无益的思考方式。
考虑NumPy数组的最佳方法是它们由两部分组成，一个数据缓冲区只是一个原始元素块，另一个视图描述了如何解释数据缓冲区。
例如，如果我们创建一个由12个整数组成的数组：
>>> a = numpy.arange(12)>>> aarray([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
然后a由一个数据缓冲区组成，排列如下：
┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
还有一个描述如何解释数据的视图：
>>> a.flags C_ConTIGUOUS : True F_ConTIGUOUS : True OWNdata: True WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False>>> a.dtypedtype('int64')>>> a.itemsize8>>> a.strides(8,)>>> a.shape(12,)这里的形状 (12,)表示数组由一个从0到11的单个索引建立索引。从概念上讲，如果我们标记该单个索引i，则数组a如下所示：
i= 0 1 2 3 4 5 6 7 8 9 10 11┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
如果我们调整数组的形状，则不会更改数据缓冲区。相反，它创建一个新视图，该视图描述了另一种解释数据的方式。所以之后：
>>> b = a.reshape((3, 4))
该数组b具有与相同的数据缓冲区a，但是现在它由两个索引分别从0到2和0到3进行索引。如果我们标记两个索引i和j，则数组b如下所示：
i= 0 0 0 0 1 1 1 1 2 2 2 2j= 0 1 2 3 0 1 2 3 0 1 2 3┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是：
>>> b[2,1]9
你可以看到第二个索引变化很快，而第一个索引变化缓慢。如果你不希望这样做，可以指定order参数：
>>> c = a.reshape((3, 4), order='F')
这将导致数组的索引如下：
i= 0 1 2 0 1 2 0 1 2 0 1 2j= 0 0 0 1 1 1 2 2 2 3 3 3┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
意思就是：
>>> c[2,1]5
现在，应该清楚一个数组具有一个或多个尺寸为1的尺寸的形状意味着什么。
>>> d = a.reshape((12, 1))
数组d由两个索引索引，第一个索引从0到11，第二个索引始终为0：
i= 0 1 2 3 4 5 6 7 8 9 10 11j= 0 0 0 0 0 0 0 0 0 0 0 0┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
>>> d[10,0]10
长度为1的尺寸是“自由的”（在某种意义上），因此没有什么可以阻止你进入城镇：
>>> e = a.reshape((1, 2, 1, 6, 1))
给出一个索引如下的数组：
i= 0 0 0 0 0 0 0 0 0 0 0 0j= 0 0 0 0 0 0 1 1 1 1 1 1k= 0 0 0 0 0 0 0 0 0 0 0 0l= 0 1 2 3 4 5 0 1 2 3 4 5m= 0 0 0 0 0 0 0 0 0 0 0 0┌────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┬────┐│ 0 │ 1 │ 2 │ 3 │ 4 │ 5 │ 6 │ 7 │ 8 │ 9 │ 10 │ 11 │└────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┴────┘
所以：
>>> e[0,1,0,0,0]6
有关如何实现数组的更多详细信息，请参见NumPy内部文档。
2.怎么办？
由于numpy.reshape只是创建了一个新视图，因此不必在必要时使用它。当你想以其他方式为数组建立索引时，它是正确的工具。
但是，在较长的计算中，通常可以安排首先构造具有“正确”形状的数组，从而最大程度地减少重塑和转置的次数。但是，没有看到导致需要重塑的实际环境，很难说应该改变什么。
你问题中的示例是：
numpy.dot(M[:,0], numpy.ones((1, R)))
但这是不现实的。首先，此表达式：
M[:,0].sum()
计算结果更简单。第二，第0列真的有什么特别之处吗？也许你实际需要的是：
M.sum(axis=0)
