矩阵运算说明

在机器学习中用到矩阵运算的情况非常多。值得庆幸的是，Python的NumPy工具包中恰好也提供了矩阵运算的功能。

1.创建矩阵

首先，我们来看如何通过前面的二维数组创建矩阵。二维数组和矩阵在外形上非常相似，但不同的是，数组可以有多维，而矩阵则只能是二维的，由行和列构成。相同数据构成的二维数组和矩阵在Python中主要通过array（数组）和matrix（矩阵）这些关键字来加以区分。

data=np.array([[1,2,3],[4,6,8]])

data
Out[14]: 
array([[1, 2, 3],
       [4, 6, 8]])

mat=np.mat(data)

mat
Out[16]: 
matrix([[1, 2, 3],
        [4, 6, 8]])

我们有时还会创建一些随机数矩阵，特别是在进行数据初始化的时候。NumPy中的random模块被广泛用于创建随机数，下面展示由np.random.rand(2,2)先创建一个二维数组，再将其转换成矩阵matrix并输出。

data2=np.matrix(np.random.rand(2,2))

data2
Out[19]: 
matrix([[0.14230853, 0.13648303],
        [0.78233343, 0.99234565]])

2.常见的矩阵运算

常见的矩阵运算包括矩阵相乘、矩阵点乘和矩阵转置等。

（1）矩阵相乘

a1=np.matrix([1,2])

a2=np.matrix([[1],[2]])

a3=a1*a2

a3
Out[23]: matrix([[5]])

可以看到，1×2的矩阵a1乘以2×1的矩阵a2，得到1×1的矩阵a3。这里需要特别说明的是，两个矩阵相乘时，要求前一个矩阵的列数要与后一个矩阵的行数相等才可以，否则就不能进行矩阵相乘。例如1×2的矩阵与3×1的矩阵就不能相乘。

（2）矩阵点乘

矩阵点乘是指两个矩阵的对应元素相乘。np.multiply是NumPy中自带的乘法（点乘）函数。

a1=np.matrix([2,2])

a2=np.matrix([3,3])

a3=np.multiply(a1,a2)

a3
Out[29]: matrix([[6, 6]])

另外，如果一个矩阵与标量相乘，也是表示矩阵点乘的意思。

a1=np.matrix([2,2])

a1*3
Out[35]: matrix([[6, 6]])

（3）矩阵转置

矩阵转置也是我们在数据分析挖掘中常用的功能。矩阵转置是将原矩阵的行转为列，列转为行，常用符号“T”来表示矩阵转置。

a1=np.matrix([[1,1],[0,0]])

a1.T
Out[37]: 
matrix([[1, 0],
        [1, 0]])

矩阵转置的情况非常多，有时候我们不得不通过矩阵转置的方式来得到我们想要的矩阵形式，从而进行后续的计算。