python当中科学运算库numpy可以节省我们很多运算的步骤,但是这里和matlab中又有一点点不一样,matrix和array之间的关系和区别是什么呢?
array 还是 matrix?
Numpy 中不仅提供了 array 这个基本类型,还提供了支持矩阵操作的类 matrix,但是一般推荐使用 array:
很多 numpy 函数返回的是 array,不是 matrix 在 array 中,逐元素操作和矩阵操作有着明显的不同 向量可以不被视为矩阵 具体说来:
dot(), multiply(),* array:* -逐元素乘法,dot() -矩阵乘法 matrix:* -矩阵乘法,multiply() -逐元素乘法 处理向量 array:形状为 1xN, Nx1, N 的向量的意义是不同的,类似于 A[:,1] 的操作返回的是一维数组,形状为 N,一维数组的转置仍是自己本身 matrix:形状为 1xN, Nx1,A[:,1] 返回的是二维 Nx1 矩阵 高维数组 array:支持大于2的维度 matrix:维度只能为2 属性 array:.T 表示转置 matrix:.H 表示复共轭转置,.I 表示逆,.A 表示转化为 array 类型 构造函数 array:array 函数接受一个(嵌套)序列作为参数——array([[1,2,3],[4,5,6]]) matrix:matrix 函数额外支持字符串参数——matrix("[1 2 3; 4 5 6]") 其优缺点各自如下:
array
[GOOD] 一维数组既可以看成列向量,也可以看成行向量。v 在 dot(A,v) 被看成列向量,在 dot(v,A) 中被看成行向量,这样省去了转置的麻烦 [BAD!] 矩阵乘法需要使用 dot() 函数,如: dot(dot(A,B),C) vs ABC [GOOD] 逐元素乘法很简单: A*B [GOOD] 作为基本类型,是很多基于 numpy 的第三方库函数的返回类型 [GOOD] 所有的操作 *,/,+,**,… 都是逐元素的 [GOOD] 可以处理任意维度的数据 [GOOD] 张量运算
matrix
[GOOD] 类似与 MATLAB 的操作 [BAD!] 最高维度为2 [BAD!] 最低维度也为2 [BAD!] 很多函数返回的是 array,即使传入的参数是 matrix [GOOD] A*B 是矩阵乘法 [BAD!] 逐元素乘法需要调用 multiply 函数 [BAD!] / 是逐元素操作 当然在实际使用中,二者的使用取决于具体情况。
二者可以互相转化:
asarray :返回数组 asmatrix(或者mat) :返回矩阵 asanyarray :返回数组或者数组的子类,注意到矩阵是数组的一个子类,所以输入是矩阵的时候返回的也是矩阵
以下是一些例子
import numpy as np
a = np.mat('1 2;3 4')
b = np.mat('4 3;2 1')
print(np.multiply(a,b)) #multiply就是对应元素的相乘
a = np.array([[1,2],[3,4]])
b = np.array([[4,3],[2,1]])
print(a*b) # 用了*号也是对应元素相乘
x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])
v = np.array([9,10])
w = np.array([11,12])
print(v.dot(w))
print(np.dot(v,w)) #这里用dot()就是矩阵的矢量相乘法了
print(x.dot(v))
print(np.dot(x,v))
print(x.dot(y))
print(np.dot(x,y))
结果如下:
总结:一般来讲都是推荐用array形式,我们要用dot()来计算矩阵之间的乘法。