Python列表、Numpy数组与矩阵的区别

Python列表和Numpy数组的区别：

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。使用Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用Numpy呢？Numpy是专门针对数组的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。通常Numpy数组中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以在通用性能方面Numpy数组不及Python列表，但在科学计算中，可以省掉很多循环语句，代码使用方面比Python列表简单的多。

能用array的尽量用array，迫不得已要用matrix的，最后再转换为array！

两个重要转换函数：

• np.asarray()：转换为数组
• np.matrix()：转换为矩阵

Numpy数组和矩阵的区别：

• Numpy matrix必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。
• 在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。
• matrix 和 array 都可以通过objects后面加.T 得到其转置。 但是 matrix objects 还可以在后面加 .H f得到共轭矩阵, 加 .I 得到逆矩阵。
• 相反的是在numpy里面arrays遵从逐个元素的运算，所以array：c 和d的c*d运算相当于matlab里面的c.*d运算。而矩阵相乘，则需要numpy里面的dot命令 。

正是由于matrix必须是二维的，当只有一个元素时（例如：1）matrix下的shape=(1,1)而array下的shape=(1,)

x = np.matrix(np.arange(12).reshape((3,4))); x
Out[23]: 
matrix([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
y=np.asarray(x)
y
Out[25]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
x[0]
Out[26]: matrix([[0, 1, 2, 3]])
y[0]
Out[27]: array([0, 1, 2, 3])
x[0][1] #矩阵情况下报错
Traceback (most recent call last):
  File "A:\anaconda3\lib\site-packages\IPython\core\interactiveshell.py", line 3418, in run_code
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-28-9bcfb00c9414>", line 1, in <module>
    x[0][1]
  File "A:\anaconda3\lib\site-packages\numpy\matrixlib\defmatrix.py", line 193, in __getitem__
    out = N.ndarray.__getitem__(self, index)
IndexError: index 1 is out of bounds for axis 0 with size 1
y[0][1] #矩阵情况下未报错
Out[29]: 1
x[0].shape
Out[30]: (1, 4)
y[0].shape
Out[31]: (4,)

在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。