python数组与矩阵运算

本文内容

初学python试图通过矩阵简化运算，感谢网友智慧，做个摘抄给自己留恋。
本文记录了Numpy 数组和矩阵应用的区别 。

numpy数组和矩阵的建立

1. array和matrix数据类型不一样

# 创建矩阵2 X 2的矩阵 A_mat 和 二维数组 A_array
import numpy as np
A_mat = np.mat([[1, 2],[3, 4]], int)
A_array = np.array([[1, 2],[3, 4]])
print(A_mat, type(A_mat))
print(A_array, type(A_array))
#结果
[[1 2]
 [3 4]] <class 'numpy.matrix'>
[[1 2]
 [3 4]] <class 'numpy.ndarray'>

2. 以array为例建立两行一列和一行两列的矩阵，差别如图。做“矩阵”运算的时候会遇到横纵的问题。

b1=np.array([[1],[2]])
b2=np.array([[1,2]])
#结果
print('b1：',b1)
print('b2：',b2)
b1： [[1]
[2]]
b2： [[1 2]]

numpy数组和矩阵的运算

1. 加减法与数乘（kA_mat, kA_array）运算都一样
2. 点乘有差别，对矩阵，点乘和*一样，对array，略有差别

A_array = np.array([[1,1,1,1,1],[2,2,2,2,2],[3,3,3,3,3],[4,4,4,4,4],[5,5,5,5,5]])

B_array = np.array([0.1,0.01,0.001,0.0001,0.00001])

X1 = A_array * X + B_array

X2 = A_array .dot(X) + B_array
#结果
print('X1:',X1)
print('X2:',X2)
X1: [[1.1000000e+00 1.0010000e+01 1.0000100e+02 1.0000001e+03 1.0000000e+04]
[2.1000000e+00 2.0010000e+01 2.0000100e+02 2.0000001e+03 2.0000000e+04]
[3.1000000e+00 3.0010000e+01 3.0000100e+02 3.0000001e+03 3.0000000e+04]
[4.1000000e+00 4.0010000e+01 4.0000100e+02 4.0000001e+03 4.0000000e+04]
[5.1000000e+00 5.0010000e+01 5.0000100e+02 5.0000001e+03 5.0000000e+04]]

X2: [11111.1     22222.01    33333.001   44444.0001  55555.00001]

numpy array维度

1. 做计算的时候遇到维度的问题。

A=np.array([[1,2,3],[4,5,6],[7,8,9]])

B1=np.zeros((3,1))
B1[0,0] = 10
B1[1,0] = 100
B1[2,0] = 1000

B2=np.array([10,100,1000])

C1=A@B1
C2=A@B2

D1=C1+B1
D2=C2+B1
D3=C1+B2
D4=C2+B2

print("A=",A,A.shape)
print("B1=",B1,B1.shape)
print("B2=",B2,B2.shape)
print("C1=",C1,C1.shape)
print("C2=",C2,C2.shape)
print("D1=",D1,D1.shape)
print("D2=",D2,D2.shape)
print("D3=",D3,D3.shape)
print("D4=",D4,D4.shape)
#结果
A= [[1 2 3]
 [4 5 6]
 [7 8 9]] (3, 3)
B1= [[  10.]
 [ 100.]
 [1000.]] (3, 1)
B2= [  10  100 1000] (3,)
C1= [[3210.]
 [6540.]
 [9870.]] (3, 1)
C2= [3210 6540 9870] (3,)
D1= [[ 3220.]
 [ 6640.]
 [10870.]] (3, 1)
D2= [[ 3220.  6550.  9880.]
 [ 3310.  6640.  9970.]
 [ 4210.  7540. 10870.]] (3, 3)
D3= [[ 3220.  3310.  4210.]
 [ 6550.  6640.  7540.]
 [ 9880.  9970. 10870.]] (3, 3)
D4= [ 3220  6640 10870] (3,)

虽然B1和B2形式相同，但是从shape函数的输出结果可以看到，B1是维数确定的数组，B2是位数不确定的数组。用B1和B2和A进行点乘运算时，结果维数和B1和B2相同。然而，当进行加法运算时，维数不同的加法会把扩大矩阵维数，如D2和D3的结果。
2. 查资料也发现，取矩阵的某一行会出现维度消失的问题。

B3=A[:,1]
print(B3.shape)
#结果
(3,)

3. 要处理运算和数组切片（高级词汇现学现用）过程中维数丢失的问题，下面两种方法我觉得比较好用。
   a)用个none

B4=A[:,1,None]
print("B4",B4,B4.shape)
#结果
B4 [[2]
 [5]
 [8]] (3, 1)

b)用reshape改造

B5=(A[:,1]).reshape(A.shape[0],1)
print("B5",B5,B5.shape)
#结果
B5 [[2]
 [5]
 [8]] (3, 1)

reference

[1]https://zhuanlan.zhihu.com/p/163281949
[2] https://blog.csdn.net/u011851421/article/details/83783826
[3] https://blog.csdn.net/sinat_24259567/article/details/98317504