這似乎是一個非常基本的問題，但我沒有在堆棧中找到與它相關的任何內容。如果我錯過了一個現有的問題，我抱歉。在numpy中是否有任何性能原因使用ndim 1或2向量？
我已經看到了一些數學/線性代數原因，爲什麼人們可能想要使用numpy向量「適當」（即ndim 1），而不是行/列向量（即ndim 2）。
但現在我想知道：有沒有任何（顯着的）效率爲什麼可以選擇一個比其他人更好的原因？或者在這方面選擇是非常武斷的？
（編輯）澄清：所謂 「NDIM 1對NDIM 2個載體」 我的意思是表示包含，比方說一個矢量，數字3和4任一：
np.array（[3， 4]）＃1 NDIM
np.array（[[3，4]]）＃2 NDIM
的numpy的文件似乎朝着第一殼體作爲默認傾斜，但像我說，我想知道是否有任何表現區別。
如果您正確使用numpy，那麼無 - 這不是一個考慮因素。
如果看看numpy internals documentation，你可以看到，
numpy的陣列由兩個主要組件組成，原始陣列數據（從現在起稱爲數據緩衝器），以及有關信息原始數組數據。數據緩衝區通常被人們認爲是C或Fortran中的數組，這是一個包含固定大小數據項的連續（固定）內存塊。 Numpy還包含一組重要的數據，描述如何解釋數據緩衝區中的數據。
因此，不管陣列的大小如何，所有數據都存儲在一個連續的緩衝區中。現在考慮
a = np.array([1, 2, 3, 4])
和
b = np.array([[1, 2], [3, 4]])
這是事實，訪問a[1]要求（略）比b[1, 1]操作較少（截至1, 1到扁平索引翻譯需要一些計算），但是，對於高性能，無論如何都需要vectorized operations。
如果你想對數組中的所有元素進行求和，那麼在這兩種情況下，你都會使用相同的東西：a.sum()和b.sum()，並且總和將在連續內存中的元素之上。相反，如果數據固有地是2d，那麼你可以做一些事情，比如b.sum(axis=1)來總結行。在1d陣列中自己做這件事很容易出錯，而且效率也不高。
所以，基本上是一個二維數組，如果問題很自然，它只會提供更多的功能，其開銷爲零或可以忽略不計。
謝謝，很好的答案。不知道我理解你的最後一行：「所以，你基本上有更多的功能」。 「更大的功能」並不是指2D上的1d（反之亦然），而是選擇任何一種表示的選項。我就是這麼理解的，我是否明白了？ –
@BertZangle感謝您的評論。更新。如果需要，請隨時進一步評論。 –
只是自己運行一些簡單的時間測試（在大型矩陣和dim 1/dim 2矢量上的np.dot）。當然，這不是一個徹底的測試，而只是一種讓自己相信你上面寫的東西的方法。標記爲已回答。再次感謝！ –
與MATLAB或GNU八度對比，有時會在添加連接2-D矩陣和1-D矢量時有點混淆。除非將1-D矢量轉換爲2-D矩陣，否則失敗，但在MATLAB中沒有任何困難。 （在MATLAB中，所有矢量都是1xN或Nx1大小的二維矩陣） – Jeon