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。【所以:在sklearn 中如果传入的特征只有一个,要使用x.values.reshape(-1,1) 转化格式】
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
In [34]: a = np.mat([[4,3,],[1,2]])
In [35]: a
Out[35]:
matrix([[4, 3],
[1, 2]])
In [36]: b = np.mat([[1,2],[3,4]])
In [37]: b
Out[37]:
matrix([[1, 2],
[3, 4]])
In [38]: a*b
Out[38]:
matrix([[13, 20],
[ 7, 10]])
但是如果要得到矩阵对应元素相乘的话 可以使用numpy 的multiply 方法
from numpy import multiply
multiply(c,d)
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) 得到共轭矩阵, 加 ( .I ) 得到逆矩阵。
相反的是在numpy里面arrays遵从对应元素的运算。
In [40]: c = np.asarray(a)
In [41]: c
Out[41]:
array([[4, 3],
[1, 2]])
In [42]: d = np.asarray(b)
In [43]: d
Out[43]:
array([[1, 2],
[3, 4]])
In [44]: c*d
Out[44]:
array([[4, 6],
[3, 8]])
而要实现矩阵相乘,则需要numpy里面的dot命令 (这个对两中类型都适用,因为matrix 属于array):
In [45]: np.dot(a,b)
Out[45]:
matrix([[13, 20],
[ 7, 10]])
In [46]: np.dot(c,d)
Out[46]:
array([[13, 20],
[ 7, 10]])
** 运算符的作用也不一样 :
In [47]: a**2
Out[47]:
matrix([[19, 18],
[ 6, 7]])
In [48]: a
Out[48]:
matrix([[4, 3],
[1, 2]])
In [49]: c**2
Out[49]:
array([[16, 9],
[ 1, 4]], dtype=int32)
In [50]: c
Out[50]:
array([[4, 3],
[1, 2]])
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