python构造矩阵_numpy：如何从矩阵的向量构造向量矩阵

numpy没有独立于“矩阵”的“向量”概念，它确实有“矩阵”和“数组”的不同概念，但大多数人完全避免使用矩阵表示。如果使用数组，“vector”、“matrix”和“tensor”的概念都包含在数组“shape”属性的一般概念下。

在这个世界观中，向量和矩阵都是二维数组，仅以其形状区分。行向量是形状为(1, n)的数组，而列向量是形状为(n, 1)的数组。矩阵是形状为(n, m)的数组。一维数组有时会表现得像向量，这取决于上下文，但通常您会发现，除非您“升级”它们，否则无法获得所需的内容。

考虑到这些，这里有一个可能的答案来回答你的问题。首先，我们创建一个一维数组：>>> a1d = numpy.array([1, 2, 3])

>>> a1d

array([1, 2, 3])

现在，我们对其进行重新造型以创建列向量。这里的-1告诉numpy计算给定输入的正确大小。>>> vcol = a1d.reshape((-1, 1))

>>> vcol

array([[1],

[2],

[3]])

请注意此项开始和结束处的双括号。这暗示着这是一个二维数组，尽管一维的大小只有1。

我们可以做同样的事情，交换维度，得到一行。再次注意双括号。>>> vrow = a1d.reshape((1, -1))

>>> vrow

array([[1, 2, 3]])

可以看出这些是二维数组，因为一维数组的shape元组中只有一个值：>>> a1d.shape

(3,)

>>> vcol.shape

(3, 1)

>>> vrow.shape

(1, 3)

要从列向量构建矩阵，我们可以使用hstack。有很多其他方法可能更快，但这是一个很好的起点。这里，请注意[vcol]不是一个numpy对象，而是一个普通的python列表，因此[vcol] * 3与[vcol, vcol, vcol]的含义相同。>>> mat = numpy.hstack([vcol] * 3)

>>> mat

array([[1, 1, 1],

[2, 2, 2],

[3, 3, 3]])

并且vstack从行向量给出了相同的结果。>>> mat2 = numpy.vstack([vrow] * 3)

>>> mat2

array([[1, 2, 3],

[1, 2, 3],

[1, 2, 3]])

“从矩阵的向量构造向量矩阵”的任何其他解释都不太可能在numpy中生成您真正想要的东西！

既然你提到要做线性代数，这里有两个可能的操作。这假设您使用的是最新版本的python来使用新的@运算符，该运算符为数组的矩阵乘法提供了明确的内联表示法

对于数组，乘法总是按元素顺序进行。但有时也有广播。对于具有相同形状的值，这是简单的元素乘法：>>> vrow * vrow

array([[1, 4, 9]])

>>> vcol * vcol

array([[1],

[4],

[9]])

当值具有不同的形状时，如果可能，它们将一起广播以产生合理的结果：>>> vrow * vcol

array([[1, 2, 3],

[2, 4, 6],

[3, 6, 9]])

>>> vcol * vrow

array([[1, 2, 3],

[2, 4, 6],

[3, 6, 9]])

广播的工作方式与您对其他形状的期望一样：>>> vrow * mat

array([[1, 2, 3],

[2, 4, 6],

[3, 6, 9]])

>>> vcol * mat

array([[1, 1, 1],

[4, 4, 4],

[9, 9, 9]])

如果需要点积，则必须使用@运算符：>>> vrow @ vcol

array([[14]])

注意，与*运算符不同，这不是对称的：>>> vcol @ vrow

array([[1, 2, 3],

[2, 4, 6],

[3, 6, 9]])

一开始这可能有点混乱，因为这看起来与vrow * vcol相同，但不要上当。*将生成相同的结果，而不考虑参数顺序。最后，对于矩阵向量积：>>> mat @ vcol

array([[ 6],

[12],

[18]])

再次观察@和*之间的区别：>>> mat * vcol

array([[1, 1, 1],

[4, 4, 4],

[9, 9, 9]])

1。遗憾的是，这只存在于Python3.5之后。如果需要使用早期版本，则所有相同的建议都适用，除了不使用a @ b的内联表示法外，还必须使用np.dot(a, b)。numpy的matrix类型重写*以类似@的行为。。。但是你不能用同样的方式进行元素乘法或广播！因此，即使您有一个早期版本，我也不建议使用matrix类型。