numpy中matrix 和 array的区别

转自http://blog.csdn.net/vincentlipan/article/details/20717163

更详细总结可参见http://www.cnblogs.com/sonictl/p/7406562.html

----------------------------------------------------------------------------------------------------------------------------------------------------------

       numpy matrices必须是2维的,但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。

矩阵相乘-矩阵

import numpy as np

a=np.mat('4 3; 2 1')
b=np.mat('1 2; 3 4')
print(a)
# [[4 3]
#  [2 1]]
print(a*b)	# #正常的矩阵积
# [[13 20]
#  [ 5  8]]

逐元素相乘-数组

c=np.array([[4, 3], [2, 1]])
d=np.array([[1, 2], [3, 4]])
print(c*d)	# #对array来说，*意味着对应元素相乘
# [[4 6]
#  [6 4]]

矩阵相乘-数组

# #array应用矩阵乘法，则需要numpy里面的dot命令
c=np.array([[4, 3], [2, 1]])
d=np.array([[1, 2], [3, 4]])
print(np.dot(c,d))
# [[13 20]
#  [ 5  8]]

       如果一个程序里面既有matrix 又有array，会让人脑袋大。但是如果只用array，你不仅可以实现matrix所有的功能，还减少了编程和阅读的麻烦。

       当然你可以通过下面的两条命令轻松的实现两者之间的转换：np.asmatrix和np.asarray。

       对我来说，numpy 中的array与numpy中的matrix，matlab中的matrix的最大的不同是：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。例如下面求平均值的运算：

>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
        [2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
        [ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5,  0.5],
        [-0.5,  0.5]])

对array来说

>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
       [2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5,  2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
       [ 0.5,  0.5]])
>>> a - am[:, np.newaxis]  #right
array([[-0.5,  0.5],
       [-0.5,  0.5]])