原文:
https://blog.csdn.net/vincentlipan/article/details/20717163
Numpy matrices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。
-
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 ( b )
-
# [[1 2]
-
# [3 4]]
-
print ( a * b )
-
# [[13 20]
-
# [ 5 8]]
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。
-
c = np . array ([[ 4 , 3 ], [ 2 , 1 ]])
-
d = np . array ([[ 1 , 2 ], [ 3 , 4 ]])
-
print ( c * d )
-
# [[4 6]
-
# [6 4]]
而矩阵相乘,则需要numpy里面的dot命令 :
-
print ( np . dot ( c , d ))
-
# [[13 20]
-
# [ 5 8]]
**
运算符的作用也不一样 :
-
print ( a ** 2 )
-
# [[22 15]
-
# [10 7]]
-
print ( c ** 2 )
-
# [[16 9]
-
# [ 4 1]]
因为a是个matrix,所以a**2返回的是a*a,相当于矩阵相乘。而c是array,c**2相当于,c中的元素逐个求平方。
问题就出来了,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 ]])