matrix与array的区别
1. 定义（维基定义）
数组
数组（英语：Array），是由相同类型的元素（element）的集合所组成的资料结构，分配一块连续的内存来存储。利用元素的索引（index）可以计算出该元素对应的储存地址。
没有规定数组维度-->可以是任意的，eg：一维，二维，多维etc
矩阵
数学上，一个m×n的矩阵是一个由m行n列元素排列成的矩形阵列。
规定了矩阵维度：m x n--->二维的
numpy定义
numpy.ndarray
An array object represents a multidimensional, homogeneous array of fixed-size items. An associated data-type object describes the format of each element in the array .
一个表示多维，元素类型相同的确定维度的数组对象。有一个描述数组中元素类型的数据类型对象。
numpy.matrix
Returns a matrix from an array-like object, or from a string of data. A matrix is a specialized 2-D array that retains its 2-D nature through operations. It has certain special operators, such as * (matrix multiplication) and ** (matrix power).
矩阵是一个特定的2维的数组对象。有特定的操作，如：乘法，*矩阵乘方
2. 乘法运算类型及其定义
运算符号*
np.multiply（a,b）
np.dot(a, b)
np.matmul(a, b)
运算符号*
符号乘法，运算符重载；
(1) a,b 为1-D数组；逐元素相乘element-wise*
a=np.arange(4)#a=[0,1,2,3]
b=np.arange(4)+1 #b=[1,2,3,4]
c=a*b # c= [0,2,6,12]
（2）a,b为2-D数组；element-wise运算
a=np.arange(6).reshape(2,3)#a=[[0,1,2],[3,4,5]]
b=np.arange(6).reshape(3,2)#b=[[0,1],[2,3],[4,5]]
c=a*b#wrong 运行出错；不能进行广播
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
（3）a,b 为2-D矩阵；矩阵运算
a=np.mat(np.arange(6).reshape(2,3))#a=[[0,1,2],[3,4,5]]
b=np.mat((np.arage(6)+1).reshape(3,2))#b=[[0,1],[2,3],[4,5]]
c=a*b #c=[[13, 16],[40, 52]]
运算*：
如果输入为ndarray类型，进行逐元素乘法运算；维度不等时，进行广播；
如果输入为matrix类型，进行矩阵乘法运算。
np.multiply(a, b)
np.multiply(a, b)
Multiply arguments element-wise.逐元素相乘
参数：a,b: 数组类型
输出：ndarray 数组；a,b 逐元素相乘的结果；如果a和b都是标量，返回一个标量。
（1）标量：一个数，eg:6; 6.0; 666
a=1; b=2
c = np.multiply(a,b)
#c = 2 输出结果c为2
（2）a,b 1-D数组:
a=np.arange(4)#a=[0,1,2,3]
b=np.arange(4)+1 #b=[1,2,3,4]
c=np.multiply(a,b)#c=[0,2,6,12]
（3）a,b 2-D 数组：能广播，逐元素相乘；不能广播，报错。
a=np.arange(6).reshape(2,3)#a=[[0,1,2],[3,4,5]]
b=(np.arage(6)+1).reshape(3,2)#b=[[0,1],[2,3],[4,5]]
c=np.multiply(a,b)#wrong
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
（4）a，b 矩阵：报错；本质上，进行逐元素element-wise运算
a=np.mat(np.arange(6).reshape(2,3))#a=[[0,1,2],[3,4,5]]
b=np.mat((np.arage(6)+1).reshape(3,2))#b=[[0,1],[2,3],[4,5]]
c=np.multiply(a,b)#wrong
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
可以进行广播运算，正常运行（element-wise）
a=np.mat(np.arange(6).reshape(2,3))#a=[[0,1,2],[3,4,5]]
b=np.mat((np.arage(3)+1))#b=[[1,2,3]]
c=np.multiply(a,b)#c=matrix([[0,2,6],[3,8,15]])
np.dot(a,b)
np.dot(a,b)
Dot product of two arrays.数组a和数组b的点积。
点积是两个向量上的函数并返回一个标量的二元运算；是内积的一种特殊形式。
根据数组a和数组b的维度不同，运算过程也不相同：
（1）a, b为一维数组：返回a和b的点积（就是一个数）：
a=np.arange(2) #a=[0,1]
b=np.arange(2)+2 #b=[2,3]
c=np.dot(a,b) #c=3 ；just a number
（2）a, b为二维数组：a和b做矩阵乘法运算：
a=np.arrange(6).reshape(2,3) #a=[[0,1,2],[3,4,5]]
b=np.arange(6).reshape(3,2) #b=[[0,1],[2,3],[4,5]]
c=np.dot(a,b) # c= [[10, 13], [28,40]]
仍然可以看做是点积运算，矩阵a中的行向量和矩阵b中列向量乘积，得到一个数，记录下来（这个过程是点积运算，10=00+12+2*4）。
（3）a,b 为矩阵形式:和二维数组相同，进行矩阵运算。
a=np.mat(np.arrange(6).reshape(2,3)) #a=[[0,1,2],[3,4,5]]
b=np.mat(np.arange(6).reshape(3,2) )#b=[[0,1],[2,3],[4,5]]
c=np.dot(a,b) # c= [[10, 13], [28,40]]
np.matmul(a, b)
np.matmul(a, b)
两个数组的矩阵积。
运算根据参数的维度大小，有不同的计算方法：
参数a，b都为二维矩阵2-D，进行矩阵运算；
第一个参数为1维1-D，用1填充参数a，然后进行矩阵运算，之后，删除添加的1；
第二个参数为1维1-D，用1填充参数b，进行矩阵运算，之后，删除添加的1；
如果参数a，b的维度大于2，将其视为存在于最后两个索引的矩阵的栈，并进行相应广播；
（1）a,b为2-D数组：
a=np.arrange(6).reshape(2,3) #a=[[0,1,2],[3,4,5]]
b=np.arange(6).reshape(3,2) #b=[[0,1],[2,3],[4,5]]
c=np.matmul(a,b) # c= [[10,13],[28,40]]
（2）a,b为matrix类型;和2-D数组相同
a=np.mat(np.arrange(6).reshape(2,3)) #a=[[0,1,2],[3,4,5]]
b=np.mat(np.arange(6).reshape(3,2))#b=[[0,1],[2,3],[4,5]]
c=np.matmul(a,b) # c= [[10,13],[28,40]]
小结
array只能通过dot()实现“矩阵乘法”，array的“*”运算实现的是两个纬度相同的“矩阵”的按位相乘。
而matrix则不同，可以直接使用"*"运算符实现“矩阵乘法”
注意，我们在数据处理中使用较多的是array。
import numpy as np
a = np.random.rand(3,4)
print('a shape: {}; a.T shape: {}'.format(np.shape(a),np.shape(a.T)) )
print('a and a.T 相乘: \n',np.dot(a, a.T)) # 进行矩阵乘法
b = np.mat(a) # 将 a 的array形式转换为 matrix
print('b.I： \n', b.I) # 逆矩阵
print('b*b.T： \n', b*b.T)
结果为：
a shape: (3, 4); a.T shape: (4, 3)
a and a.T 相乘:
[[1.06781647 0.30486271 0.45179314]
[0.30486271 0.67382283 0.49058274]
[0.45179314 0.49058274 0.79796573]]
b.I：
[[ 0.68774543 0.69230876 -0.80024159]
[-0.17433347 -0.82191199 1.37088823]
[ 0.80109553 -0.45486199 0.24199063]
[-0.29892761 1.15387317 0.16119934]]
b*b.T：
[[1.06781647 0.30486271 0.45179314]
[0.30486271 0.67382283 0.49058274]
[0.45179314 0.49058274 0.79796573]]
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。
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。而不用np.dot()。
import numpy as np
a=np.mat('4 3; 2 1')
b=np.mat('1 2; 3 4')
print(a)
# [[4 3]
# [2 1]]
print(b)
# [[1 2]
# [3 4]]
print(a*b)
# [[13 20]
# [ 5 8]]
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遵从逐个元素的运算，所以对于array：c 和d的c*d运算相当于matlab里面的c.*d运算
c=np.array([[4, 3], [2, 1]])
d=np.array([[1, 2], [3, 4]])
print(c*d)
# [[4 6]
# [6 4]]
#而矩阵相乘，则需要numpy里面的dot命令 :
print(np.dot(c,d))
# [[13 20]
# [ 5 8]]
但是python中矩阵没有MATLAB中的.*这个性质，对于matrix对应乘法得用np.multiply()
>>> np.multiply(a,b)
matrix([[ 4, 6],
[6, 4]])
当然 ** 运算符的作用也不一样 ：
print(a**2) #矩阵乘法
# [[22 15]
# [10 7]]
print(c**2) #对应乘法
# [[16 9]
# [ 4 1]]
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
对我来说，numpy 中的array与numpy中的matrix，matlab中的matrix的最大的不同是，在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。例如下面求平均值的运算
>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
[2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
[ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5, 0.5],
[-0.5, 0.5]])
对array 来说
>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
[2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5, 2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
[ 0.5, 0.5]])
>>> a - am[:, np.newaxis] #right
array([[-0.5, 0.5],
[-0.5, 0.5]])
参考博客：
https://www.cnblogs.com/cymwill/p/7823148.html
673
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
