a的数据
ndarray存储为1d缓冲区-只是一块内存。数组的多维性质由
shape和
strides属性以及使用它们的代码产生。
的
numpy开发人员选择，以允许尺寸的任意数量的，所以形状和进展被表示为任何长度的元组，包括0和1。
相反，MATLAB是围绕FORTRAN程序构建的，该程序是为矩阵运算而开发的。在早期，MATLAB中的所有内容都是二维矩阵。在2000年（v3.5）左右，它被普遍允许超过2d，但永远不会少于2d。在
numpy
np.matrix依然沿用旧的2D MATLAB约束。
如果您来自MATLAB世界，则习惯于这两个维度，以及行向量和列向量之间的区别。但是在不受MATLAB影响的数学和物理学中，向量是一维数组。Python列表本质上是一
c维数组，数组也是如此。要获得2d，您必须具有列表列表或指向数组的指针数组
x[1][2]以及索引样式。
查看此数组及其变体的形状和步幅：
In [48]: x=np.arange(10)In [49]: x.shapeOut[49]: (10,)In [50]: x.stridesOut[50]: (4,)In [51]: x1=x.reshape(10,1)In [52]: x1.shapeOut[52]: (10, 1)In [53]: x1.stridesOut[53]: (4, 4)In [54]: x2=np.concatenate((x1,x1),axis=1)In [55]: x2.shapeOut[55]: (10, 2)In [56]: x2.stridesOut[56]: (8, 4)
MATLAB最后添加了新尺寸。它像
order='F'数组一样排列其值，并且可以很容易地将（n，1）矩阵更改为（n，1,1,1）。
numpy是default
order='C'，并且很容易在开始时扩展数组维度。利用广播时，了解这一点至关重要。
因此
x1 + x是（10,1）+（10，）=>（10,1）+（1,10）=>（10,10）
由于广播，
(n,)阵列更像
(1,n)一个而不是
(n,1)一个。一维数组更像行矩阵而不是列矩阵。
In [64]: np.matrix(x)Out[64]: matrix([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])In [65]: _.shapeOut[65]: (1, 10)
关键
concatenate是它需要匹配的尺寸。它不使用广播来调整尺寸。有很多
stack函数可以减轻这种约束，但是它们可以通过在使用之前调整尺寸来实现
concatenate。查看他们的代码（可读的Python）。
因此，精通的numpy用户需要熟悉该通用
shape元组，包括空
()（0d数组），
(n,)1d及更高版本。对于更高级的东西，理解步幅也会有所帮助（例如，查看转置的步幅和形状）。
