我想知道为什么在numpy中有维度（长度，1）的一维数组，还有一维维度数组（长度， ）没有第二个值。numpy：为什么在（x，1）和（x，）维度之间存在差异
我经常遇到这种情况，例如，当使用np.concatenate()然后需要预先reshape步骤（或者我可以直接使用hstack/vstack）。
我想不出为什么这种行为是可取的理由。有人可以解释吗？
编辑：
有人建议通过评论我的问题是一个可能的重复。我对Numpy的底层工作更感兴趣，而不是认为1d和2d数组有区别，我认为这是所提到的线程的要点。
ndarray的数据存储为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生成。
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是围绕而开发的FORTRAN程序建用于矩阵运算。在早期，MATLAB中的所有东西都是2d矩阵。大约在2000年（v3.5），它被推广到允许超过2d，但从不少于。 numpynp.matrix仍然遵循旧的2d MATLAB约束。
如果你来自MATLAB世界，你习惯了这两个维度，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，矢量是一维数组。 Python列表本质上是1d，与c数组一样。为了得到2d，你必须有列表或指向数组的指针数组，并且使用x[1][2]样式的索引。
看的形状和该阵列的进步及其变体：
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'数组，并且可以容易地将（n，1）矩阵改变为（n，1,1,1）。 numpy默认为order='C'，并且在开始时很容易扩展数组维度。在充分利用广播时，了解这一点至关重要。
因此x1 + x为（10,1）+（10，）=>（10,1）+（1,10）=>（10,10）
由于广播的(n,)阵列更像(1,n)一个比一个(n,1)之一。一维数组更像是一个行矩阵而不是一列数组。
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)
与concatenate点是它需要匹配的尺寸。它不使用广播来调整尺寸。有许多功能可以缓解这种限制，但是他们在使用concatenate之前通过调整尺寸来实现。看看他们的代码（可读的Python）。
因此，一个熟练numpy的用户需要的舒适与广义shape元组，包括空()（0D阵列）(n,) 1D和向上。对于更高级的东西，理解大步也很有帮助（例如，看一下转置的步幅和形状）。
其中大部分是语法问题。这个元组(x)根本不是元组（只是冗余）。然而，(x,)是。
（x，）和（x，1）之间的区别更进一步。你可以看看以前的问题的例子，如this。从它引用的例子，这是一个一维数组numpy的：
>>> np.array([1, 2, 3]).shape
(3,)
但是这一次是2D：
>>> np.array([[1, 2, 3]]).shape
(1, 3)
Reshape does not make a copy unless it needs to所以它应该是安全的使用。
'（x，）'是指向量，而不是矩阵。 – kennytm
NumPy是围绕n维数组构建的，而不是矩阵。 – user2357112
@kennytm感谢您的输入，但是向量不会被表示为'（x，1）'的原因是什么？ – Dahlai