另一个解决方案…: -)

import numpy as np

a = [1,2,4]

[1, 2, 4]

b = np.array([a]).T

数组([[1], [2], [4]])

对于1D数组:

a = np.array([1, 2, 3, 4])
a = a.reshape((-1, 1)) # <--- THIS IS IT

print a
array([[1],
       [2],
       [3],
       [4]])

一旦你理解了-1在这里意味着“需要多少行”，我发现这是最易读的“转置”数组的方式。如果你的数组是高维的，简单地使用a.T。

—>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。

你可以把一个现有的向量转换成一个矩阵，方法是用一组额外的方括号把它括起来。

from numpy import *
v=array([5,4]) ## create a numpy vector
array([v]).T ## transpose a vector into a matrix

Numpy还有一个矩阵类(参见array vs. matrix)…

matrix(v).T ## transpose a vector into a matrix

numpy中的函数名为column_stack。

>>>a=np.array([5,4])
>>>np.column_stack(a)
array([[5, 4]])

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。