Numpy : quelle différence un ndarray(5,) et un ndarray(1,5)

Bonjour,

Voici un bout de code et son résultat :

Code:

---

1 2 3 4 5 6 7 8 9 10 11

import numpy as np   x = np.random.rand(5) print(x) print(type(x)) print(x.shape)   x = np.random.rand(1, 5) print(x) print(type(x)) print(x.shape)

---

[0.60750665 0.90682901 0.71761544 0.76073789 0.46655106]
<class 'numpy.ndarray'>
(5,)
[[0.04000783 0.71784235 0.946608   0.77873071 0.82963164]]
<class 'numpy.ndarray'>
(1, 5)

J'ai un peu du mal à comprendre la subtile nuance entre les 2. Pouvez-vous m'éclaire ?

Je ne sais pas trop comment nommer les choses pour faire une recherche intelligente sur le net.

J'ai l'impression que le premier ndarray est un vecteur, au sens strict. Il n'est pas question de ligne ou de colonne. J'ai cette impression car sa transposée est égale à lui-même :

x = np.random.rand(10)
x.shape
Out[6]: (10,)
x.T.shape
Out[7]: (10,)

Le second ndarray est vraiment une matrice 2 dimensions. Ici, sa première dimension est de taille 1 donc c'est un vecteur ligne. Sa transposée donne bien un vecteur colonne :

x = np.random.rand(1, 10)
x.shape
Out[9]: (1, 10)
x.T.shape
Out[10]: (10, 1)

Est-ce correct ? Peut-on passer un <class 'numpy.ndarray'> de forme (5,) là où un (1, 5) est attendu ? J'ai fait cette expérience dans un code tiré d'un tuto et ça a fonctionné : le code original avait un (1, n) et je lui ai passé un (n,) sans soucis.

Salut,

Citation:

---

Envoyé par Bktero

J'ai un peu du mal à comprendre la subtile nuance entre les 2. Pouvez-vous m'éclaire ?

---

Dans les 2 cas, on accède à 5 emplacements mémoire contigus.
La différence est côté accès à ces données.
Dans un cas, on le fait via un tableau à une seule dimension (un seul index) qu'on peut appeler "vecteur" alors que dans l'autre on a un tableau à deux dimensions (2 index).
Ce qui peut forcer à des .reshape pour certaines opérations (où à utiliser des "matrix" qui sont au moins 2D pour ne pas se mélanger les pinceaux).

- W

Salut,

Cette nuance est une bonne source d'erreur. Je ne compte plus le nombre de fois où je me suis planté dans des calculs matriciels en ayant un 1D-array en lieu et place d'un 2D-array... Un 1D array est une sorte de liste, alors qu'un 2D array est une matrice. Ce qui fait qu'une transposée de d'un 1D-array, reste un 1D-array.

Un array (5,) est de dimension 1, tandis qu'un array (5,1) ou (1,5) est de dimension 2. Certaines fonctions de numpy n'accepte que l'un ou l'autre, d'autres les deux, ce qui n'aide pas vraiment à faire attention. La doc l'indique souvent (voir ici, notamment la phrase xp : 1-D sequence of floats). Je crois que le produit matriciel np.dot() accepte l'un ou l'autre et s'arrange pour que ça marche.
Tu as peut-être raison sur la notion de vecteur. Mais je préfère juste garder en tête 1D vs 2D. Parce qu'un vecteur peut être un vecteur ligne ou colonne.

J