我想知道爲什麼在numpy中有維度（長度，1）的一維數組，還有一維維度數組（長度， ）沒有第二個值。numpy：爲什麼在（x，1）和（x，）維度之間存在差異
我經常遇到這種情況，例如，當使用np.concatenate()然後需要預先reshape步驟（或者我可以直接使用hstack/vstack）。
我想不出爲什麼這種行爲是可取的理由。有人可以解釋嗎？
編輯：
有人建議通過評論我的問題是一個可能的重複。我對Numpy的底層工作更感興趣，而不是認爲1d和2d數組有區別，我認爲這是所提到的線程的要點。
ndarray的數據存儲爲1d緩衝區 - 只是一塊內存。數組的多維性質由shape和strides屬性以及使用它們的代碼生成。
的numpy開發人員選擇，以允許尺寸的任意數量的，所以形狀和進展被表示爲任何長度的元組，包括0和1。
相反MATLAB是圍繞而開發的FORTRAN程序建用於矩陣運算。在早期，MATLAB中的所有東西都是2d矩陣。大約在2000年（v3.5），它被推廣到允許超過2d，但從不少於。 numpynp.matrix仍然遵循舊的2d MATLAB約束。
如果你來自MATLAB世界，你習慣了這兩個維度，以及行向量和列向量之間的區別。但是在不受MATLAB影響的數學和物理學中，矢量是一維數組。 Python列表本質上是1d，與c數組一樣。爲了得到2d，你必須有列表或指向數組的指針數組，並且使用x[1][2]樣式的索引。
看的形狀和該陣列的進步及其變體：
In [48]: x=np.arange(10)
In [49]: x.shape
Out[49]: (10,)
In [50]: x.strides
Out[50]: (4,)
In [51]: x1=x.reshape(10,1)
In [52]: x1.shape
Out[52]: (10, 1)
In [53]: x1.strides
Out[53]: (4, 4)
In [54]: x2=np.concatenate((x1,x1),axis=1)
In [55]: x2.shape
Out[55]: (10, 2)
In [56]: x2.strides
Out[56]: (8, 4)
MATLAB在端部增加了新的尺寸。它命令它的值如order='F'數組，並且可以容易地將（n，1）矩陣改變爲（n，1,1,1）。 numpy默認爲order='C'，並且在開始時很容易擴展數組維度。在充分利用廣播時，瞭解這一點至關重要。
因此x1 + x爲（10,1）+（10，）=>（10,1）+（1,10）=>（10,10）
由於廣播的(n,)陣列更像(1,n)一個比一個(n,1)之一。一維數組更像是一個行矩陣而不是一列數組。
In [64]: np.matrix(x)
Out[64]: matrix([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
In [65]: _.shape
Out[65]: (1, 10)
與concatenate點是它需要匹配的尺寸。它不使用廣播來調整尺寸。有許多功能可以緩解這種限制，但是他們在使用concatenate之前通過調整尺寸來實現。看看他們的代碼（可讀的Python）。
因此，一個熟練numpy的用戶需要的舒適與廣義shape元組，包括空()（0D陣列）(n,) 1D和向上。對於更高級的東西，理解大步也很有幫助（例如，看一下轉置的步幅和形狀）。
其中大部分是語法問題。這個元組(x)根本不是元組（只是冗餘）。然而，(x,)是。
（x，）和（x，1）之間的區別更進一步。你可以看看以前的問題的例子，如this。從它引用的例子，這是一個一維數組numpy的：
>>> np.array([1, 2, 3]).shape
(3,)
但是這一次是2D：
>>> np.array([[1, 2, 3]]).shape
(1, 3)
Reshape does not make a copy unless it needs to所以它應該是安全的使用。
'（x，）'是指向量，而不是矩陣。 – kennytm
NumPy是圍繞n維數組構建的，而不是矩陣。 – user2357112
@kennytm感謝您的輸入，但是向量不會被表示爲'（x，1）'的原因是什麼？ – Dahlai