NumPy数据规范化：通用函数实现标量与行向量到列向量的转换

import numpy as np

# 错误示例 (如原始问题中的误用，此行仅为说明，实际代码中应避免)
# x = np.arange(80, 130, 10)
# if x is not np.array: # 这是一个错误的判断方式
#     print("This check is incorrect.")

# 正确示例
x_scalar = 80.0
x_array = np.arange(80, 130, 10)

print(f"Is x_scalar a numpy array? {isinstance(x_scalar, np.ndarray)}")
print(f"Is x_array a numpy array? {isinstance(x_array, np.ndarray)}")

Is x_scalar a numpy array? False
Is x_array a numpy array? True

import numpy as np

def to_column_array(x):
    """
    将输入数据转换为NumPy列向量（至少二维）。

    Args:
        x: 可以是标量、列表、元组或NumPy数组。

    Returns:
        np.ndarray: 转换为列向量形式的NumPy数组。

    Raises:
        ValueError: 如果输入数组的维度超过2维，则抛出错误。
    """
    # 1. 确保输入是NumPy数组
    if not isinstance(x, np.ndarray):
        x = np.array(x)

    # 2. 计算与目标维度（至少2维）的差距
    # 目标是至少2维，如果当前是0维（标量），则缺失2维；
    # 如果当前是1维（行向量），则缺失1维。
    missing_dims = 2 - x.ndim

    # 3. 检查维度是否过多
    if missing_dims < 0:
        raise ValueError(f'输入数组的维度过多 ({x.ndim}维)，本函数旨在处理标量、一维或二维数据。')

    # 4. 迭代重塑以增加维度
    # 对于标量（0维），执行两次 reshape(-1, 1)
    # 对于一维数组（1维），执行一次 reshape(-1, 1)
    # 对于二维数组（2维），不执行任何操作
    for _ in range(missing_dims):
        x = x.reshape(-1, 1)
    return x

scalar_input = 10
column_vector_from_scalar = to_column_array(scalar_input)
print(f"输入: {scalar_input}, 类型: {type(scalar_input)}")
print(f"输出:\n{column_vector_from_scalar}")
print(f"形状: {column_vector_from_scalar.shape}\n")

输入: 10, 类型: <class 'int'>
输出:
[[10]]
形状: (1, 1)

list_input = [3, 6, 9]
column_vector_from_list = to_column_array(list_input)
print(f"输入: {list_input}, 类型: {type(list_input)}")
print(f"输出:\n{column_vector_from_list}")
print(f"形状: {column_vector_from_list.shape}\n")

array_input = np.array([1, 2, 3, 4])
column_vector_from_array = to_column_array(array_input)
print(f"输入: {array_input}, 类型: {type(array_input)}")
print(f"输出:\n{column_vector_from_array}")
print(f"形状: {column_vector_from_array.shape}\n")

输入: [3, 6, 9], 类型: <class 'list'>
输出:
[[3]
 [6]
 [9]]
形状: (3, 1)

输入: [1 2 3 4], 类型: <class 'numpy.ndarray'>
输出:
[[1]
 [2]
 [3]
 [4]]
形状: (4, 1)

two_d_list_input = [[1, 2], [3, 4], [5, 6]]
two_d_array_output = to_column_array(two_d_list_input)
print(f"输入:\n{two_d_list_input}, 类型: {type(two_d_list_input)}")
print(f"输出:\n{two_d_array_output}")
print(f"形状: {two_d_array_output.shape}\n")

existing_column_vector = np.array([[10], [20], [30]])
processed_column_vector = to_column_array(existing_column_vector)
print(f"输入:\n{existing_column_vector}, 类型: {type(existing_column_vector)}")
print(f"输出:\n{processed_column_vector}")
print(f"形状: {processed_column_vector.shape}\n")

输入:
[[1, 2], [3, 4], [5, 6]], 类型: <class 'list'>
输出:
[[1 2]
 [3 4]
 [5 6]]
形状: (3, 2)

输入:
[[10]
 [20]
 [30]], 类型: <class 'numpy.ndarray'>
输出:
[[10]
 [20]
 [30]]
形状: (3, 1)