如何在python中输入列向量

在 Python 中，可以使用列表（list）或 NumPy 数组（numpy.array）来表示列向量。以下是两种方法：

使用列表（list）：

v = [1, 2, 3] # 表示列向量 [1, 2, 3] 的列表

使用 NumPy 数组（numpy.array）：

import numpy as np

v = np.array([[1], [2], [3]]) # 表示列向量 [1, 2, 3] 的 NumPy 数组

需要注意的是，使用 NumPy 数组时需要将向量表示为二维数组的形式，其中第一维表示行数（为向量长度），第二维表示列数（为 1）。

相关问题

用python将列表转化为一列输入向量

可以使用numpy库中的array函数将列表转化为数组，然后使用reshape函数将数组转化为一列输入向量。具体代码如下：

import numpy as np

# 假设列表为lst
lst = [1, 2, 3, 4, 5]

# 将列表转化为数组
arr = np.array(lst)

# 将数组转化为一列输入向量
input_vector = arr.reshape(-1, 1)

其中，reshape函数中的-1表示自动计算该维度的大小，1表示将数组转化为1列。输入向量的形状为(5, 1)，代表有5个样本，每个样本有1个特征。

余弦相似度行向量相似度矩阵，列向量相似度矩阵python代码

以下是计算行向量相似度矩阵和列向量相似度矩阵的Python代码：

import numpy as np

# 计算行向量相似度矩阵
def row_similarity_matrix(X):
    sim_mat = np.zeros((X.shape[0], X.shape[0]))
    for i in range(X.shape[0]):
        for j in range(X.shape[0]):
            sim_mat[i, j] = np.dot(X[i], X[j]) / (np.linalg.norm(X[i]) * np.linalg.norm(X[j]))
    return sim_mat

# 计算列向量相似度矩阵
def col_similarity_matrix(X):
    sim_mat = np.zeros((X.shape[1], X.shape[1]))
    for i in range(X.shape[1]):
        for j in range(X.shape[1]):
            sim_mat[i, j] = np.dot(X[:, i], X[:, j]) / (np.linalg.norm(X[:, i]) * np.linalg.norm(X[:, j]))
    return sim_mat

其中，输入参数 `X` 是一个二维的数组，行代表样本数，列代表特征数。函数 `row_similarity_matrix` 返回的是行向量相似度矩阵，大小为样本数×样本数。函数 `col_similarity_matrix` 返回的是列向量相似度矩阵，大小为特征数×特征数。这里使用了 numpy 库中的 dot 函数计算向量点积和 linalg.norm 函数计算向量范数。