Numpy中shape为(m,)的是行向量还是列向量

定义一个一维数组

v = np.array([1, 2])
v
array([1, 2])

该数组的shape为

v.shape
(2,)

再定义一个数组

z = np.array([[1], [2]])

该数组的shape为

z.shape
(2, 1)

到这里我们可能认为shape为(2,)的数组是个行向量，先不过早下结论，往下验证.

定义一个2x2的矩阵A

A = np.arange(4).reshape((2, 2))
A
array([[0, 1],
   [2, 3]])

将矩阵和前面定义的向量v相乘，按照我们前面的猜想，认为v是个行向量(1x2)，于是可以使用vxA

v.dot(A)
array([4, 7])

下面我们使用A(2x2)xv(1x2)，如果v是个行向量是无法计算的.

A.dot(v)
array([2, 8])

可以计算，从结果我们可以看出，此时的向量v被作为(2x1)的列向量。

因为Numpy在做向量和矩阵相乘时，会自动为我们判断该向量取行向量还是列向量。