Numpy数据的操作 * dot() multiply() 的区别

 

使用numpy时，跟matlab不同：

1、* dot() multiply()

对于array来说，* 和 dot()运算不同

*是每个元素对应相乘

dot()是矩阵乘法

对于matrix来说，* 和 multiply() 运算不同

* 是矩阵乘法

multiply()  是每个元素对应相乘

 

A B为array   MA MB为matrix

multiply(MA, MB)对应元素相乘

dot(MA, MB)矩阵乘法

 

注意：对应元素相乘时，矩阵大小必须相同；矩阵相乘时，矩阵大小要满足矩阵相乘要求。

 

 

 

dot运算

numpy官方文档上所写：

• 如果 a和 b都是 1-D arrays,它的作用是计算内积。(不进行复共轭)

>>> np.dot(3, 4)
12 

>>> np.dot([2j, 3+3j], [2j, 3j]) (-13+9j) 

• 如果 a和 b是 2-D arrays, 作用是矩阵的乘积， a和 b的维数要满足矩阵乘积维数要求，此时推荐使用 matmul或 a @ b。

>>> a = [[1, 0], [0, 1]] >>> b = [[4, 1], [2, 2]] >>> np.dot(a, b) array([[4, 1], [2, 2]]) 

• 如果 a或 b是 0-D (标量), 等价于 multiply，推荐使用 numpy.multiply(a, b)或 a * b。

• 如果 a是 N-D array 且 b是 1-D array， 作用是在a和 b的最后一个轴上进行sum product运算。

>>> a = array([[[ 1.,  2.,  3., 4.], [ 5., 6., 7., 8.], [ 9., 10., 11., 12.]], [[ 1., 2., 3., 4.], [ 5., 6., 7., 8.], [ 9., 10., 11., 12.]]]) >>> b = np.array([1,2,3,4]) >>>np.dot(a, b) array([[ 30., 70., 110.], [ 30., 70., 110.]]) 

• 如果a是 N-D array 且 b是 M-D array (M>=2), 作用是在a的最后一个轴上和b的倒数第二个轴上进行sum product，即 :

dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])

>>> a = np.arange(3*4*5*6).reshape((3,4,5,6)) >>> b = np.arange(3*4*5*6)[::-1].reshape((5,4,6,3)) >>> np.dot(a, b)[2,3,2,1,2,2] 499128 >>> sum(a[2,3,2,:] * b[1,2,:,2]) 499128 

*运算

对于ndarray, * 作用的是进行element-wise乘积，必要时需要broadcast，作用同np.multipy

>>> a = np.array(range(6)).reshape((2,3)) >>> b = np.array([1,0,1]) >>> a array([[0, 1, 2], [3, 4, 5]]) >>> b array([1, 0, 1]) >>> c= a*b >>> c array([[0, 0, 2], [3, 0, 5]]) >>> d = a*b.T >>> d array([[0, 0, 2], [3, 0, 5]]) 

而对于matrix，* 则表示矩阵相乘，运算必须保证矩阵相乘的法则:

>>> A=np.matrix(a)
>>> B=np.matrix(b)
>>> A
matrix([[0, 1, 2], [3, 4, 5]]) >>> B matrix([[1, 0, 1]]) >>> C=A*B ValueError: shapes (2,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0) #维数不匹配 >>> C=A*B.T >>> C matrix([[2], [8]]) 

multiply运算

函数原型是

numpy.multiply(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) = <ufunc 'multiply'> 

Returns:
y : ndarray
x1 和 x2的element-wise乘积，保证x1和x2有相同的维数，或者进行broadcast之后两者有相同的维数

>>> np.multiply(2.0, 4.0)
8.0 >>> x1 = np.arange(9.0).reshape((3, 3)) >>> x2 = np.arange(3.0) >>> np.multiply(x1, x2) array([[ 0., 1., 4.], [ 0., 4., 10.], [ 0., 7., 16.]]) #要进行broadcast 

 

 

转载于:https://www.cnblogs.com/AlvinSui/p/8733470.html