NumPy中ndarray和matrix的四则运算

ndarray

NumPy中最重要的类是ndarray，顾名思义，即多维数组。

import numpy as np

行向量：

a = np.array([1,2,3]) # a.shape=(3L,)

列向量：

b = np.array([[1],[2],[3]]) # b.shape=(3L, 1L)

二维矩阵：

M = np.array([[1,2,3],[4,5,6],[7,8,9]] # M.shape=(3L, 3L)

四则运算（+-*/），注意多维数组ndarray中“加减乘除”跟数学中的矩阵运算没有半毛钱关系。

运算都是Element-wise的，当两个数组维度不一样时，维度小的会拓展复制（Broadcast）跟维度大的数组一样。

例如上面的行向量a和列向量b分别与M进行四则运算时，会拓展为：

$$a \rightarrow \begin{bmatrix} 1 & 2 & 3 \\ 1 & 2 & 3 \\ 1 & 2 & 3 \end{bmatrix} , b \rightarrow \begin{bmatrix} 1 & 1 & 1 \\ 2 & 2 & 2 \\ 3 & 3 & 3 \end{bmatrix}$$

例子：

a + M：

$$\begin{bmatrix} 1 & 2 & 3 \end{bmatrix} + \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 1+1 & 2+2 & 3+3 \\ 4+1 & 5+2 & 6+3 \\ 7+1 & 8+2 & 9+3 \end{bmatrix} = \begin{bmatrix} 2 & 4 & 6 \\ 5 & 8 & 9 \\ 8 & 10 & 12 \end{bmatrix}$$

b + M：

$$\begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix} + \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 1+1 & 2+1 & 3+1 \\ 4+2 & 5+2 & 6+2 \\ 7+3 & 8+3 & 9+3 \end{bmatrix} = \begin{bmatrix} 2 & 3 & 4 \\ 6 & 7 & 8 \\ 10 & 11 & 12 \end{bmatrix}$$

b - M：

$$\begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix} - \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 1-1 & 1-2 & 1-3 \\ 2-4 & 2-5 & 2-6 \\ 3-7 & 3-8 & 3-9 \end{bmatrix} = \begin{bmatrix} 0 & -1 & -2 \\ -2 & -3 & -4 \\ -4 & -5 & -6 \end{bmatrix}$$

b * M：

$$\begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix} \times \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 1*1 & 2*1 & 3*1 \\ 4*2 & 5*2 & 6*2 \\ 7*3 & 8*3 & 9*3 \end{bmatrix} = \begin{bmatrix} 1 & 2 & 3 \\ 8 & 10 & 12 \\ 21 & 24 & 27 \end{bmatrix}$$

b / M：

$$\begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix} / \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 1/1 & 1/2 & 1/3 \\ 2/4 & 2/5 & 2/6 \\ 3/7 & 3/8 & 3/9 \end{bmatrix} = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}$$

当a是4维的行向量与M运算呢？

例如a = [1, 2, 3, 4]，a + M等于多少呢？ 此时会报错：

ValueError: operands could not be broadcast together with shapes (4,) (3,3)

matrix

那NumPy中难道就没有像数学中的矩阵乘法运算了吗？答案是有的，这里就要用到matrix类，其有一个别名mat，用法是一样的。

行向量：

p = np.mat([1,2,3]) # p.shape=(1L, 3L)

列向量：

q = np.mat([[1],[2],[3]]) # q.shape=(3L, 1L)

二维矩阵：

N = np.mat([[1,2,3],[4,5,6],[7,8,9]]) # N.shape=(3L, 3L)

它们之间的加减除跟ndarray是一样的，但乘就按照数学矩阵乘法：

p * N：

$$\begin{bmatrix} 1 & 2 & 3 \end{bmatrix} \times \begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{bmatrix} = \begin{bmatrix} 30 & 36 & 42 \end{bmatrix}$$

q * N则会报错：

ValueError: shapes (3,1) and (3,3) not aligned: 1 (dim 1) != 3 (dim 0)

对于matrix，数据均以二维的形式存储，例如：

p：

matrix([[1, 2, 3]])

q：

matrix([[1],
        [2],
        [3]])

p * q（结果是一个标量）：

matrix([[14]])

np.dot()和np.multiply()

ndarray数组可以实现矩阵的乘法，即：

np.dot(a, b) # array([14])
np.dot(a, M) # array([30, 36, 42])

np.dot(a, a) # 14；特别地，两个行向量得到数学中的内积
np.dot(b, b) # 报错！

matrix可以实现Element-wise的点乘，即：

np.multiply(p, N)

Out:
matrix([[ 1,  4,  9],
        [ 4, 10, 18],
        [ 7, 16, 27]])

注意区分数学中的点乘和计算机中的点乘：数学中的点乘也叫点积、内积，是两个向量中的元素分别相乘再相加得到一个标量；而计算机中的点乘就是指Element-wise的乘法。

ndarray和matrix之间相互转换

np.asarray(matrix)

np.asmatrix(ndarray)

注意如果ndarray是3维及以上的数组，则转不了matrix，因为matrix总是二维的。

如：

t = np.arange(12).reshape(2, 2, 3)

Out:
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])

np.asmatrix(t)

# ValueError: shape too large to be a matrix.