NumPy数据处理：灵活将标量、一维数组转换为标准列向量

import numpy as np

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

    该函数能够处理标量、一维列表、NumPy一维数组以及已是二维的NumPy数组。
    它确保最终输出是一个至少二维的NumPy数组，且如果原始输入维度小于2，
    则会将其重塑为 (N, 1) 的列向量形式。

    参数:
        x: 任意可转换为NumPy数组的输入数据（标量、列表、NumPy数组等）。

    返回:
        np.ndarray: 转换后的二维NumPy数组。

    抛出:
        ValueError: 如果输入数组的维度超过2。
    """
    # 步骤1: 类型检查与初步转换
    # 确保输入是一个NumPy数组。如果不是，则尝试将其转换为数组。
    if not isinstance(x, np.ndarray):
        x = np.array(x)

    # 步骤2: 维度判断与缺失维度计算
    # 目标是将其转换为至少2维的数组。
    # 计算当前数组与目标2维之间的维度差异。
    # 例如：
    # - 标量 (ndim=0) 缺失 2 维
    # - 一维数组 (ndim=1) 缺失 1 维
    # - 二维数组 (ndim=2) 缺失 0 维
    missing_dims = 2 - x.ndim

    # 异常处理：如果输入数组的维度已经超过2，则抛出错误。
    if missing_dims < 0:
        raise ValueError(f'输入数组的维度 ({x.ndim}) 过高，本函数仅支持将数据转换为至多2维的列向量。')

    # 步骤3: 逐步升维
    # 根据缺失的维度数量，循环使用 reshape(-1, 1) 来增加维度。
    # -1 会自动计算当前轴的大小，1 则为新增加的维度。
    # 例如，对于 (N,) 的一维数组，reshape(-1, 1) 会将其变为 (N, 1)。
    # 对于标量，np.array(scalar) 得到 (scalar) 0维数组，
    # 第一次 reshape(-1, 1) 变为 (1, 1)。
    for _ in range(missing_dims):
        x = x.reshape(-1, 1)

    return x

# 示例：标量输入
scalar_input = 10
column_array_from_scalar = to_column_array(scalar_input)
print(f"原始标量: {scalar_input}, 类型: {type(scalar_input)}")
print(f"转换后数组:\n{column_array_from_scalar}")
print(f"形状: {column_array_from_scalar.shape}\n")
# 预期输出:
# 原始标量: 10, 类型: <class 'int'>
# 转换后数组:
# [[10]]
# 形状: (1, 1)

# 示例：一维列表输入
list_input = [3, 6, 9]
column_array_from_list = to_column_array(list_input)
print(f"原始列表: {list_input}, 类型: {type(list_input)}")
print(f"转换后数组:\n{column_array_from_list}")
print(f"形状: {column_array_from_list.shape}\n")
# 预期输出:
# 原始列表: [3, 6, 9], 类型: <class 'list'>
# 转换后数组:
# [[3]
#  [6]
#  [9]]
# 形状: (3, 1)

# 示例：NumPy一维数组输入
np_array_1d = np.arange(80, 130, 10) # array([ 80,  90, 100, 110, 120])
column_array_from_np1d = to_column_array(np_array_1d)
print(f"原始NumPy一维数组:\n{np_array_1d}")
print(f"形状: {np_array_1d.shape}")
print(f"转换后数组:\n{column_array_from_np1d}")
print(f"形状: {column_array_from_np1d.shape}\n")
# 预期输出:
# 原始NumPy一维数组:
# [ 80  90 100 110 120]
# 形状: (5,)
# 转换后数组:
# [[ 80]
#  [ 90]
#  [100]
#  [110]
#  [120]]
# 形状: (5, 1)

# 示例：二维列表输入
list_of_lists = [[1, 2], [3, 4], [5, 6]]
column_array_from_lol = to_column_array(list_of_lists)
print(f"原始二维列表: {list_of_lists}, 类型: {type(list_of_lists)}")
print(f"转换后数组:\n{column_array_from_lol}")
print(f"形状: {column_array_from_lol.shape}\n")
# 预期输出:
# 原始二维列表: [[1, 2], [3, 4], [5, 6]], 类型: <class 'list'>
# 转换后数组:
# [[1 2]
#  [3 4]
#  [5 6]]
# 形状: (3, 2)

# 示例：NumPy二维数组输入
np_array_2d = np.array([[10, 20], [30, 40]])
column_array_from_np2d = to_column_array(np_array_2d)
print(f"原始NumPy二维数组:\n{np_array_2d}")
print(f"形状: {np_array_2d.shape}")
print(f"转换后数组:\n{column_array_from_np2d}")
print(f"形状: {column_array_from_np2d.shape}\n")
# 预期输出:
# 原始NumPy二维数组:
# [[10 20]
#  [30 40]]
# 形状: (2, 2)
# 转换后数组:
# [[10 20]
#  [30 40]]
# 形状: (2, 2)