matlab数据陷阱,numpy 的陷阱

陷阱一：数据结构混乱

array 和 matrix 都可以用来表示多维矩阵

In [98]: a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

In [99]: a

Out[99]:

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

In [100]: A = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

In [101]: A

Out[101]:

matrix([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

In [102]: a.shape

Out[102]: (3, 3)

In [103]: A.shape

Out[103]: (3, 3)

看起来效果不错。假设我们要对数据进行筛选，取第 1 列的第 1 行和第 3 行数据构成一个 2 x 1 的列向量。先看对 array 的做法

In [99]: a

Out[99]:

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

In [100]: y

Out[100]:

matrix([[1],

[0],

[1]])

In [101]: a[:, 0]

Out[101]: array([1, 4, 7])

In [102]: a[:, 0].shape

Out[102]: (3,)

In [110]: a[:, 0][y == 1]

---------------------------------------------------------------------------

IndexError Traceback (most recent call last)

in ()

----> 1 a[:, 0][y == 1]

IndexError: too many indices for array

In [111]: a[:, 0].reshape(3, 1)[y == 1]

Out[111]: array([1, 7])

从 Out[101] 可以看到一个陷阱，a[:, 0] 过滤完应该是一个 3 x 1 的列向量，可是它变成了行向量。其实也不是真正意义上的行向量，因为行向量 shape 应该是 3 x 1，可是他的 shape 是 (3,) ，这其实已经退化为一个数组了。所以，导致最后 In [110] 出错。只有像 In [111] 那样 reshape 一下才可以。我不知道大家晕了没有，我是已经快晕了。

相比之下，matrix 可以确保运算结果全部是二维的，结果相对好一点。为什么只是相对好一点呢？呆会儿我们再来吐吐 matrix 的槽点。

In [101]: A

Out[101]:

matrix([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

In [112]: y

Out[112]:

matrix([[1],

[0],

[1]])

In [113]: A[:,0]

Out[113]:

matrix([[1],

[4],

[7]])

In [102]: A[:, 0].shape

Out[102]: (3,1)

In [114]: A[:,0][y == 1]

Out[114]: matrix([[1, 7]])

In [114]: A[:,0][y == 1].shape

Out[114]: (1,2)

看起来还不错。不过槽点就来了。Out [114] 我们预期的输入结果应该是一个 2 x 1 的列向量，可是这里变成了 1 x 2 的行向量！

为什么我会在意行向量和列向量？在矩阵运算里，行向量和列向量是不同的。比如一个 m x 3 的矩阵可以和 3 x 1 的列向量叉乘，结果是 m x 1 的列向量。而如果一个 m x 3 的矩阵和 1 x 3 的行向量叉乘是会报错的。

陷阱二：数据处理能力不足，语言效率低

我们再看个例子。假设 X 是 5 x 2 的矩阵，Y 是 5 X 1 的 bool 矩阵，我们想用 Y 来过滤 X ，即取出 Y 值为 True 的项的索引，拿这些索引去 X 里找出对应的行，再组合成一个新矩阵。

In [79]: X

Out[79]:

matrix([[ 34.62365962, 78.02469282],

[ 30.28671077, 43.89499752],

[ 35.84740877, 72.90219803],

[ 60.18259939, 86.3085521 ],

[ 79.03273605, 75.34437644]])

In [80]: Y

Out[80]:

matrix([[ True],

[False],

[ True],

[ True],

[False]], dtype=bool)

In [81]: X[Y == True]

Out[81]: matrix([[ 34.62365962, 35.84740877, 60.18259939]])

In [85]: X[Y == True, :]

---------------------------------------------------------------------------

IndexError Traceback (most recent call last)

in ()

----> 1 X[Y == True, :]

C:\Python27\lib\site-packages\numpy\matrixlib\defmatrix.pyc in __getitem__(self, index)

314

315 try:

--> 316 out = N.ndarray.__getitem__(self, index)

317 finally:

318 self._getitem = False

IndexError: too many indices for array

In [86]: X[:, 0][Y == True]

Out[86]: matrix([[ 34.62365962, 35.84740877, 60.18259939]])

In [87]: X[:, 1][Y == True]

Out[87]: matrix([[ 78.02469282, 72.90219803, 86.3085521 ]])

In [88]: np.column_stack((x[:, 0][y == True].reshape(3,1), x[:, 1][y == True].reshape(3,1)))

Out[88]:

matrix([[ 34.62365962, 78.02469282],

[ 35.84740877, 72.90219803],

[ 60.18259939, 86.3085521 ]])

我们预期 X 过滤完是 3 x 2 列的矩阵，但不幸的是从 Out[81] 来看 numpy 这样过滤完只会保留第一列的数据，且把它转化成了行向量，即变成了 1 x 3 的行向量。不知道你有没有抓狂的感觉。如果按照 In [85] 的写法，还会报错。如果要正确地过滤不同的列，需要写成 In [86] 和 In [87] 的形式。但是即使写成 In [86] 和 In [87] 的样式，还是一样把列向量转化成了行向量。所以，要实现这个目的，得复杂到按照 In [88] 那样才能达到目的。实际上，这个还达不到目的，因为那里面写了好多硬编码的数字，要处理通用的过滤情况，还需要写个函数来实现。而这个任务在 matlab/octave 里只需要写成 X(Y==1, :) 即可完美达成目的。

陷阱三：数值运算句法混乱

在机器学习算法里，经常要做一些矩阵运算。有时候要做叉乘，有时候要做点乘。我们看一下 numpy 是如何满足这个需求的。

假设 x, y, theta 的值如下，我们要先让 x 和 y 点乘，再让结果与 theta 叉乘，最后的结果我们期望的是一个 5 x 1 的列向量。

In [22]: x

Out[22]:

matrix([[ 1. , 34.62365962, 78.02469282],

[ 1. , 30.28671077, 43.89499752],

[ 1. , 35.84740877, 72.90219803],

[ 1. , 60.18259939, 86.3085521 ],

[ 1. , 79.03273605, 75.34437644]])

In [23]: y

Out[23]:

matrix([[1],

[2],

[3],

[2],

[2]])

In [24]: theta

Out[24]:

matrix([[2],

[2],

[2]])

直观地讲，我们应该会想这样做：(x 点乘 y) 叉乘 theta。但很不幸，当你输入 x * y 时妥妥地报错。那好吧，我们这样做总行了吧，x[:, 0] * y 这样两个列向量就可以点乘了吧，不幸的还是不行，因为 numpy 认为这是 matrix，所以执行的是矩阵相乘(叉乘)，要做点乘，必须转为 array 。

In [37]: x * y

---------------------------------------------------------------------------

ValueError Traceback (most recent call last)

in ()

----> 1 x * y

/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy/matrixlib/defmatrix.pyc in __mul__(self, other)

339 if isinstance(other, (N.ndarray, list, tuple)) :

340 # This promotes 1-D vectors to row vectors

--> 341 return N.dot(self, asmatrix(other))

342 if isscalar(other) or not hasattr(other, '__rmul__') :

343 return N.dot(self, other)

ValueError: matrices are not aligned

In [38]: x[:, 0] * y

---------------------------------------------------------------------------

ValueError Traceback (most recent call last)

in ()

----> 1 x[:, 0] * y

/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy/matrixlib/defmatrix.pyc in __mul__(self, other)

339 if isinstance(other, (N.ndarray, list, tuple)) :

340 # This promotes 1-D vectors to row vectors

--> 341 return N.dot(self, asmatrix(other))

342 if isscalar(other) or not hasattr(other, '__rmul__') :

343 return N.dot(self, other)

ValueError: matrices are not aligned

In [39]: sp.array(x[:,0]) * sp.array(y)

Out[39]:

array([[ 1.],

[ 2.],

[ 3.],

[ 2.],

[ 2.]])

In [42]: xy = sp.column_stack(((sp.array(x[:,0]) * sp.array(y)), (sp.array(x[:,1]) * sp.array(y)), (sp.array(x[:,2]) * sp.array(y))))

In [43]: xy

Out[43]:

array([[ 1. , 34.62365962, 78.02469282],

[ 2. , 60.57342154, 87.78999504],

[ 3. , 107.54222631, 218.70659409],

[ 2. , 120.36519878, 172.6171042 ],

[ 2. , 158.0654721 , 150.68875288]])

所以，我们需要象 In [39] 那样一列列转为 array 和 y 执行点乘，然后再组合回 5 x 3 的矩阵。好不容易算出了 x 和 y 的点乘了，终于可以和 theta 叉乘了。

In [44]: xy * theta

Out[44]:

matrix([[ 227.29670488],

[ 300.72683316],

[ 658.4976408 ],

[ 589.96460596],

[ 621.50844996]])

看起来结果还不错，但实际上这里面也是陷阱重重。

In [45]: xy * sp.array(theta)

---------------------------------------------------------------------------

ValueError Traceback (most recent call last)

in ()

----> 1 xy * sp.array(theta)

ValueError: operands could not be broadcast together with shapes (5,3) (3,1)

In [46]: sp.dot(xy, sp.array(theta))

Out[46]:

array([[ 227.29670488],

[ 300.72683316],

[ 658.4976408 ],

[ 589.96460596],

[ 621.50844996]])

In [45] 会报错，因为在 array 里 * 运算符是点乘，而在 matrix 里 * 运算符是叉乘。如果要在 array 里算叉乘，需要用 dot 方法。看起来提供了灵活性，实际上增加了使用者的大脑负担。而我们的需求在 matlab/octave 里只需要写成 x .* y * theta ，直观优雅。

陷阱四：语法复杂，不自然

比如，我们要在一个 5 x 2 的矩阵的前面加一列全部是 1 的数据，变成一个 5 x 3 的矩阵，我们必须这样写

In [11]: x

Out[11]:

matrix([[ 34.62365962, 78.02469282],

[ 30.28671077, 43.89499752],

[ 35.84740877, 72.90219803],

[ 60.18259939, 86.3085521 ],

[ 79.03273605, 75.34437644]])

In [18]: sp.column_stack(((sp.ones((5,1)), x)))

Out[18]:

matrix([[ 1. , 34.62365962, 78.02469282],

[ 1. , 30.28671077, 43.89499752],

[ 1. , 35.84740877, 72.90219803],

[ 1. , 60.18259939, 86.3085521 ],

[ 1. , 79.03273605, 75.34437644]])

有兴趣的人可以数数 In [18] 里有多少个括号，还别不服，括号写少了妥妥地报错。而这个需求在 matlab/octave 里面只需要写成 [ones(5,1) x] ，瞬间脑袋不短路了，直观优雅又回来了。

结论

有人说 python 是机器学习和数据分析的新贵，但和专门的领域语言 matlab/octave 相比，用起来确实还是比较别扭的。当然有些槽点是因为语言本身的限制，比如 python 不支持自定义操作符，导致 numpy 的一些设计不够优雅和直观，但默认把列向量转化为行向量的做法只能说是 numpy 本身的设计问题了。这或许就是 Andrew Ng 在他的 Machine Learning 课程里用 matlab/octave ，而不用 python 或其他的语言的原因吧。