Numpy中的那些坑点

numpy中的坑点主要来自于shape、ndim、broadcast几方面，接下来将做详细分析

行向量 & 列向量 & 1-D数组

• 上述3个概念，主要区别于shape，这将引起很多差异

• term	shape	example
  col-vector	(m, 1)	[[1], [2], [3]]
  row-vector	(1, m)	[[1, 2, 3]]
  1-D array	(m,)	[1, 2, 3]

• 通过观察上述表格，可以发现不论是哪种term，其本质都是array，其中col-vector 和 row-vector都是 2-D array

• 1-D array和 vector的相互转化主要借助于reshape函数，也可以采用其他**ndim改变手段****

  # (m,) -> (m, 1) | (1, m)
  cv = a.reshape((-1, 1)) # rv = a.reshape((1, -1))
  v = np.array([a])
  # (m, 1) <-> (1, m)
  rv = cv.T # cv = rv.T
  # (m, 1) | (1, m) -> (m,)
  a = v.shape(-1)
  

矩阵乘法 & np.dot()

• np.dot(a, b)并不是专门用来做矩阵乘法的，并且需要注意的是矩阵shape不合适时，会通过broadcast改造a、b,但这有时会带来很多麻烦

• 官网文档表明，对于不同类型的a、b，np.dot(a, b)会有不同的行为：

  • If both a and b are 1-D arrays, it is inner product of vectors (without complex conjugation).
  • If both a and b are 2-D arrays, it is matrix multiplication, but using matmul or a @ b is preferred.
  • If either a or b is 0-D (scalar), it is equivalent to multiply and using numpy.multiply(a, b) or a * b is preferred.
  • If a is an N-D array and b is a 1-D array, it is a sum product over the last axis of a and b.
  • If a is an N-D array and b is an M-D array (where M>=2), it is a sum product over the last axis of a and the second-to-last axis of b:

• 如果两个矩阵都是1-D的，则相当于**点积（内积）****

• 针对 1-D x 2-D 和 2-D x 1D 情形，说明如下：

  X = np.arange(16).reshape((4, 4)) # 2-D
  x = np.ones(4) # 1-D
  # 1-D x 2-D
  a = np.dot(x, X)
  # reuslt: array([ 6., 22., 38., 54.])
  # 2-D x 1-D
  b = np.dot(X, x)
  # reuslt: array([ 6., 22., 38., 54.])
  

  计算过程如下图， 可以认为：

  • 当左矩阵为1-D 时，可以把(m, )当做(1, m)来用，从而构成一个常规的矩阵乘法
  • 当右矩阵为1-D时，相当于对左矩阵在axis-0上做加权和 😭真令人迷惑！

点积 & np.vdot()

• np.vdot(a, b)是专门用于向量点积的函数
• 对于任何数学实质是1-D向量的变量（包括 行向量、列向量、1-D 数组），作用都是点积，a、b的顺序无所谓
• 对于 n-D 向量 ，都将被flatten成一个长长的 1-D 向量， 然后执行点积操作

a = np.array([[1, 4], [5, 6]])
b = np.array([[4, 1], [2, 2]])
np.vdot(a, b) # 1*4 + 4*1 + 5*2 + 6*2
# result: 30 

np.array 切片 & 索引

• 一般情况下，切片没什么好说的
• 当切片的结果为1行/1列时，结果总会作为1-D array

X = np.arange(16).reshape((4, 4))
X[:, 0]
# result: array([0, 4, 8, 12])
X[0, :]
# result: array[0, 1, 2, 3]

• 对于2-D的行向量或者列向量，可以仅有时直接用**x[0]**来得到$x_0$的引用（值），这与x[0, 0]效果相同

x = np.ones((4, 1))
y = np.ones((1, 4))
z = np.ones(4)

x[0]
# result: array([1])
y[0]
# result: array([1, 1, 1, 1])
z[0]
# result: 1

x[0] = 9
# result: x -> array([[9], [1], [1], [1]])
y[0] = 9
# result: y -> array([[9, 9, 9, 9]])
z[0] =9
# result: y -> array([9, 1, 1, 1])

---

总结

• 综上所述，我们需要特别关注 array 的 shape、ndim
• 1-D array 在 np.dot() 中可当做行向量， 列向量在索引时可当做 1-D array

参考资料

• NumPy 参考手册