python中dot函数_Python 的NumPy 库中dot()函数详解

Python的NumPy库中dot()函数详解

本人在学习Python数据分析时的线性代数运算章节中，遇到矩阵乘法的dot函数的用法一时难于理解，后来，经查阅其他博主的相关资料，总结详解如下

1、NumPy库中dot()函数语法定义：

importnumpy as np

np.dot(a, b, out=None) #该函数的作用是获取两个元素a,b的乘积.

2、前面讲过数组的运算是元素级的，数组相乘的结果是各对应元素的积组成的数组，而对于矩阵而言，需要求的是点积，这里NumPy库提供了用于矩阵乘法的dot函数。在jupyter notebook中执行的代码运算如下：

#dot函数的详解

importnumpy as np

np.dot(5,8)#如果arr1和arr都是一维数组，那么它返回的就是向量的内积。

arr1 = np.array([2,3])

arr1

array([2, 3])

arr2= np.array([4,5])

arr2

array([4, 5])

np.dot(arr1,arr2)

arr3= np.array([2,3,4])

arr3

array([2, 3, 4])

arr4= np.array([5,6,7])

arr4

array([5, 6, 7])

np.dot(arr3,arr4)#如果arr5和arr6都是二维数组，那么它返回的是矩阵乘法。

arr5 = np.array([[2,3],[4,5]])

arr5

array([[2, 3],

[4, 5]])

arr6= np.array([[6,7],[8,9]])

arr6

array([[6, 7],

[8, 9]])

np.dot(arr5,arr6)

array([[36, 41],

[64, 73]])

arr7= np.array([[2,3,4],[5,6,7]])

arr7

array([[2, 3, 4],

[5, 6, 7]])

arr8= np.arange(9).reshape(3,3)

arr8

array([[0,1, 2],

[3, 4, 5],

[6, 7, 8]])

np.dot(arr7,arr8)

array([[33, 42, 51],

[60, 78, 96]])

arr9= np.arange(6).reshape(3,2)

arr9

array([[0,1],

[2, 3],

[4, 5]])

np.dot(arr7,arr9)

array([[22, 31],

[40, 58]])

np.dot(arr8,arr9)

array([[10, 13],

[28, 40],

[46, 67]])

arr10= np.arange(6).reshape(2,3)

arr10

array([[0,1, 2],

[3, 4, 5]])

arr11= np.arange(9).reshape(3,3)

arr11

array([[0,1, 2],

[3, 4, 5],

[6, 7, 8]])

np.dot(arr10,arr11)

array([[15, 18, 21],

[42, 54, 66]])

arr12= np.arange(12).reshape(4,3)

arr12

array([[ 0,1, 2],

[3, 4, 5],

[6, 7, 8],

[9, 10, 11]])

arr13= np.arange(9).reshape(3,3)

arr13

array([[0,1, 2],

[3, 4, 5],

[6, 7, 8]])

np.dot(arr12,arr13)

array([[15, 18, 21],

[42, 54, 66],

[69, 90, 111],

[96, 126, 156]])

arr14= np.arange(15).reshape(3,5)

arr14

array([[ 0,1, 2, 3, 4],

[5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

np.dot(arr12,arr14)

array([[25, 28, 31, 34, 37],

[70, 82, 94, 106, 118],

[115, 136, 157, 178, 199],

[160, 190, 220, 250, 280]])

dot函数的运算总代码显示如下

3、这样的多维数组矩阵运算，通过Python代码来实现倒是挺方便的，但是，通过我们人眼看起来，对于刚入门的朋友来说，可能会很吃力，或者不清楚该结果是怎么实现的，接下来，我给大家一一介绍一下运算过程。

4、如下单个数的dot函数运算所示：

np.dot(5,8)40

5、如下一维数组的dot函数运算所示：

#如果arr1和arr都是一维数组，那么它返回的就是向量的内积。

arr1 = np.array([2,3])

arr1

array([2, 3])

arr2= np.array([4,5])

arr2

array([4, 5])

np.dot(arr1,arr2)23arr3= np.array([2,3,4])

arr3

array([2, 3, 4])

arr4= np.array([5,6,7])

arr4

array([5, 6, 7])

np.dot(arr3,arr4)56

一维数组的代码案例如下

利用表格计算法来解释上面的一维数组乘积的结果计算过程如下表1，表2，所示：

　　　　　　　　

表 1　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　表 2

通过上表中的计算过程显示，是不是很快就能清楚，矩阵之间的运算。从而快速了解运算结果的由来。

6、如下二维数组的dot函数运算所示：

二维数组矩阵之间的dot函数运算得到的乘积是矩阵乘积

#如果arr5和arr6都是二维数组，那么它返回的是矩阵乘法。

arr5 = np.array([[2,3],[4,5]])

arr5

array([[2, 3],

[4, 5]])

arr6= np.array([[6,7],[8,9]])

arr6

array([[6, 7],

[8, 9]])

np.dot(arr5,arr6)

array([[36, 41],

[64, 73]])

二维数组的代码案例如下

利用表格计算法来解释上面的,二维数组乘积的结果计算过程如下表3，所示：

表 3

7、如下二维数组与三维数组的dot函数运算：

#arr7二维数组与arr8三维数组的dot函数矩阵运算

arr7 = np.array([[2,3,4],[5,6,7]])

arr7

array([[2, 3, 4],

[5, 6, 7]])

arr8= np.arange(9).reshape(3,3)

arr8

array([[0,1, 2],

[3, 4, 5],

[6, 7, 8]])

np.dot(arr7,arr8)

array([[33, 42, 51],

[60, 78, 96]])

arr9= np.arange(6).reshape(3,2)

arr9

array([[0,1],

[2, 3],

[4, 5]])

np.dot(arr7,arr9)

array([[22, 31],

[40, 58]])

二维数组与三维数组的运算案例代码如下

利用表格计算法来解释上面的,二维数组与三维数组的矩阵乘积的结果计算过程如下表4，所示：

表 4

8、如下多维数组的dot函数运算所示：

#多维数组的dot函数矩阵运算

arr12 = np.arange(12).reshape(4,3)

arr12

array([[ 0,1, 2],

[3, 4, 5],

[6, 7, 8],

[9, 10, 11]])

arr13= np.arange(9).reshape(3,3)

arr13

array([[0,1, 2],

[3, 4, 5],

[6, 7, 8]])

np.dot(arr12,arr13)

array([[15, 18, 21],

[42, 54, 66],

[69, 90, 111],

[96, 126, 156]])

arr14= np.arange(15).reshape(3,5)

arr14

array([[ 0,1, 2, 3, 4],

[5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

np.dot(arr12,arr14)

array([[25, 28, 31, 34, 37],

[70, 82, 94, 106, 118],

[115, 136, 157, 178, 199],

[160, 190, 220, 250, 280]])

多维数组的代码运算如下

利用表格计算法来解释上面的,多维数组的矩阵乘积的结果计算过程如下表5，表6，表7所示：

表 5　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　表 6

表 7

9、dot()函数可以通过NumPy库调用，也可以由数组实例对象进行调用。例如：a.dot(b) 与 np.dot(a,b)效果相同。但矩阵积计算不遵循交换律,np.dot(a,b) 和 np.dot(b,a) 得到的结果是不一样的。