numpy中matrix 和 array的区别

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