1D numpy数组 * 实际上是1D的--它在任何第二维度上都没有大小，而在MATLAB中，'1D'数组实际上是2D的，其第二维度的大小为1。
如果你想让你的数组在第二维中的大小为1，你可以使用它的.reshape()方法：

a = np.zeros(5,)
print(a.shape)
# (5,)

# explicitly reshape to (5, 1)
print(a.reshape(5, 1).shape)
# (5, 1)

# or use -1 in the first dimension, so that its size in that dimension is 
# inferred from its total length
print(a.reshape(-1, 1).shape)
# (5, 1)

编辑

正如Akavall所指出的，我还应该提到np.newaxis作为另一种向数组添加新轴的方法，虽然我个人觉得它不太直观，但np.newaxis相对于.reshape()的一个优点是，它允许您以任意顺序添加多个新轴，而无需显式指定输出数组的形状，这是.reshape(-1, ...)技巧所不可能实现的：

a = np.zeros((3, 4, 5))
print(a[np.newaxis, :, np.newaxis, ..., np.newaxis].shape)
# (1, 3, 1, 4, 5, 1)

np.newaxis只是None的一个别名，因此您可以使用a[None, :, None, ..., None]更简洁地执行相同的操作。

• 另一方面，np.matrix始终是2D的，并且将提供您在MATLAB中熟悉的索引行为：

a = np.matrix([[2, 3], [4, 5]])
print(a[:, 0].shape)
# (2, 1)

有关数组和矩阵之间区别的更多信息，请参见此处。

输入help(np.shape)可以让你对这里发生的事情有一些了解，对于初学者来说，你可以通过输入以下命令得到你想要的输出：

b = np.array([a[:,0]])

基本上numpy的定义与MATLAB稍有不同。在numpy环境中，向量只有一维，而数组是向量的向量，因此它可以有更多。在第一个示例中，数组是两个向量的向量，即：

a = np.array([[vec1], [vec2]])

所以a有两个维度，在你的例子中，两个维度的元素数是一样的，都是2，所以你的数组是2乘2，当你从这个数组中取出一个切片时，你的维度数减少了一，换句话说，你从数组中取出一个向量，这个向量只有一个维度，也有两个元素，就这样了，你的向量现在是2乘 _，在第二个点什么都没有，因为向量没有定义。
你也可以从空间的Angular 来考虑，第一个数组在空间R^(2x2)中，第二个向量在空间R^(2)中，这意味着数组定义在一个与向量不同（且更大）的空间中。
这基本上就是说，你从数组中取出了一个切片，与MATLAB不同，numpy不像表示数组（二维或多维）那样表示向量（一维）。