有一个方法没有在答案中描述，但在文档中描述了numpy. narray .transpose方法:

对于一维数组，这没有影响，因为转置向量就是相同的向量。要将1-D数组转换为2D列向量，必须添加一个额外维度。np.atleast2d (a)。T实现了这一点，就像a[:， np.newaxis]一样。

你可以这样做:

import numpy as np
a = np.array([5,4])
print(a)
print(np.atleast_2d(a).T)

这(在我看来)比使用新蜡更好。

它的工作原理和预期的完全一样。一维数组的转置仍然是一维数组!(如果你习惯了matlab，它基本上没有一维数组的概念。Matlab的“1D”数组是2D的。)

如果你想把你的一维向量变成一个二维数组，然后转置它，只需用np对它进行切片。newaxis(或None，它们是一样的，只是newaxis更可读)。

import numpy as np
a = np.array([5,4])[np.newaxis]
print(a)
print(a.T)

一般来说，你不需要担心这个。如果你只是出于习惯，添加额外的维度通常不是你想要的。Numpy会在进行各种计算时自动广播一个1D数组。通常不需要区分行向量和列向量(它们都不是向量)。它们都是2D的!)当你只想要一个向量时。

基本上转置函数的作用是交换数组的形状和步长:

>>> a = np.ones((1,2,3))

>>> a.shape
(1, 2, 3)

>>> a.T.shape
(3, 2, 1)

>>> a.strides
(48, 24, 8)

>>> a.T.strides
(8, 24, 48)

在一维numpy数组(rank-1数组)的情况下，形状和跨距是1元素元组，不能交换，这样的一维数组的转置返回它不变。相反，您可以将“行向量”(形状(1,n)的numpy数组)转置为“列向量”(形状(n, 1)的numpy数组)。为了实现这一点，你必须首先将你的1D numpy数组转换为行向量，然后交换形状和跨步(转置它)。下面是一个函数:

from numpy.lib.stride_tricks import as_strided

def transpose(a):
    a = np.atleast_2d(a)
    return as_strided(a, shape=a.shape[::-1], strides=a.strides[::-1])

例子:

>>> a = np.arange(3)
>>> a
array([0, 1, 2])

>>> transpose(a)
array([[0],
       [1],
       [2]])

>>> a = np.arange(1, 7).reshape(2,3)
>>> a     
array([[1, 2, 3],
       [4, 5, 6]])

>>> transpose(a)
array([[1, 4],
       [2, 5],
       [3, 6]])

当然你不需要这样做，因为你有一个一维数组，你可以直接通过a. remodeling((-1, 1))或a[:， None]将它重塑为(n, 1)数组。我只是想演示一下如何对数组进行转置。

—>列/行矩阵:

>>> a=np.array([1,2,4])
>>> a[:, None]    # col
array([[1],
       [2],
       [4]])
>>> a[None, :]    # row, or faster `a[None]`
array([[1, 2, 4]])

正如@joe-kington所说，你可以用np替换None。新蜡是为了可读性。

你只能对2D数组进行转置。您可以使用numpy。矩阵来创建一个2D数组。这迟了三年，但我只是在可能的解决方案中添加了一些:

import numpy as np
m = np.matrix([2, 3])
m.T

使用两个括号对，而不是一个。这将创建一个2D数组，它可以被转置，不像您使用一个括号对创建的1D数组。

import numpy as np    
a = np.array([[5, 4]])
a.T

更彻底的例子:

>>> a = [3,6,9]
>>> b = np.array(a)
>>> b.T
array([3, 6, 9])         #Here it didn't transpose because 'a' is 1 dimensional
>>> b = np.array([a])
>>> b.T
array([[3],              #Here it did transpose because a is 2 dimensional
       [6],
       [9]])

使用numpy的shape方法来查看这里发生了什么:

>>> b = np.array([10,20,30])
>>> b.shape
(3,)
>>> b = np.array([[10,20,30]])
>>> b.shape
(1, 3)