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。