标签：方法 相同 http erro sdn mil 总结 scalar print
Numpy中matrix必须是2维的,但是 numpy中array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。
matrix() 和 array() 的区别，主要从以下方面说起：
矩阵生成方式不同
import numpy as np a1 = np.array([[1, 2], [3, 4]]) b1 = np.mat([[1, 2], [3, 4]]) a2 = np.array(([1, 2], [3, 4])) b2 = np.mat(([1, 2], [3, 4])) a3 = np.array(((1,2), (3,4))) b3 = np.mat(((1,2), (3,4))) b4 = np.mat(‘1 2; 3 4‘) print("\n",a1,"\n",b1,"\n",a2,"\n",b2,"\n",a3,"\n",b3,"\n",b4)
结果均为：
[[1 2] [3 4]]
上述变化就是将 “[]” 换成“()”。不同之处在于 b4 内用引号、空格和分号来产生矩阵，这个方法只可以在 matrix() 函数中使用，即b4 = np.mat(‘1 2; 3 4‘)。不可以写成的 a4 = np.array(‘1 2; 3 4‘) 。
矩阵性质不同
matrix()和 array ()后面加上 .T 得到转置。但是matrix()还可以在后面加 .H 得到共轭矩阵, 加 .I 得到逆矩阵， array()就不可以。
import numpy as np a1 = np.array([[1, 2], [3, 4]]) b1 = np.mat([[1, 2], [3, 4]]) print(a1.T) print(b1.T)
[[1 3] [2 4]] [[1 3] [2 4]]
import numpy as np a1 = np.array([[1, 2], [3, 4]]) print(a1.H)
AttributeError: ‘numpy.ndarray‘ object has no attribute ‘H‘
print(a1.I)
AttributeError: ‘numpy.ndarray‘ object has no attribute ‘I‘
import numpy as np b1 = np.mat([[1, 2], [3, 4]]) print(b1.H) print(b1.I)
[[1 3]
[2 4]]
[[-2. 1. ]
[ 1.5 -0.5]]
在矩阵乘法中的不同
array()的乘法是矩阵中对应位置的两个数相乘
mat()的乘法是矩阵乘法
import numpy as np a1 = np.array([[1, 2], [3, 4]]) c1 = np.array([[5,6],[7,8]]) b1 = np.mat([[1, 2], [3, 4]]) d1 = np.mat([[5,6],[7,8]]) print("a1乘c1的结果：",a1*c1) print("b1乘d1的结果：",b1*d1)
a1乘c1的结果： [[ 5 12]
[21 32]]
b1乘d1的结果： [[19 22]
[43 50]]
array()和mat()，若让他们都遵循矩阵乘法，可以用dot()函数
print(np.dot(a1,c1)) print(np.dot(b1,d1))
[[19 22]
[43 50]]
[[19 22]
[43 50]]
矩阵平方：array()的平方是矩阵对应位置数的平方。mat()的平方是矩阵乘积
print("a1的平方",a1**2) print("b1的平方",b1**2)
a1的平方 [[ 1 4] [ 9 16]] b1的平方 [[ 7 10] [15 22]]
总结
array()乘法：*代表点乘（对应元素相乘），dot()代表矩阵乘。
mat()乘法：*代表矩阵乘，multiply()代表点乘。
array()和mat()之间的转换
array()——>mat()：np.asmatrix()
a1 = np.array([[1,2], [3,4]])
a1
array([[1, 2],
[3, 4]])
a2 = np.asmatrix(a1)
a2
matrix([[1, 2],
[3, 4]])
mat()——>array()：np.asarray()
b1 = np.mat([[1,2], [3,4]])
b1
matrix([[1, 2],
[3, 4]])
b2 = np.asarray(b1)
b2
array([[1, 2],
[3, 4]])
np.multiply
对 array 和 matrix 对象的操作相同
(1) a 和 b 维度相同
都是每行对应元素相乘（即对应内积的第一步，不求和）
>>> a = np.array([[1,2],[1,2]]) >>> a*a >>> array([[1, 4], [1, 4]])
（2）对于两个矩阵元素 a 和 b 维度不一的情况（array 和 matrix 对象都适用），则需将相应的行和列进行扩充，需要扩充的行或列的维度必须为 1。
对列扩充则补 1， 对行扩充则将第一行复制到每一行。比如，a：3 * 1， b: 1 * 2，则 a 扩充为 3 * 2，b 扩充为 3 * 2。
如下所示：
>>> a = np.array([[1],[1],[1]]) >>> b = np.array([1,2]) >>> np.multiply(a, b) >>> array([[1, 2], [1, 2], [1, 2]])
（3）a 和 b为标量：则标量直接相乘
*
（1）对于 matrix 对象，代表矩阵乘法（维度必须满足相应规则）;
（2）对于array对象，则是每行对应元素相乘。当 array 对象的 shape 不同时（matrix 对象不行） ，其规则和 np.multiply 一样；
np.matmul
该函数对 array 和 matrix 对象的操作是不一样的。
（1）对于 matrix 对象，对应矩阵乘法，对象维度必须满足矩阵乘法规则。
（2）对于 array 对象，对应内积，但对象维度必须相同，不支持维度扩展。
（3）不支持标量运算。
在array 中，与 multiply 一样，每行对应元素相乘
np.dot
对于matrix 对象，对应矩阵乘法。
对于两个 array 类型的元素：a，b，有如下可能:
（1）a 和 b 都是一维 array，那么 dot 就是它们的内积（点乘）；
（2）a 和 b 都是二维 array，那么 dot 就是它们的矩阵乘积（即按矩阵乘法规则来计算），也可以用 matmul 或 a @ b；
（3）如果a 和 b 都是标量（scalar），那么 dot 就是两个数的乘积，也可以用 multiply 或 a * b；
（4）若 a：N * D，b：1 * D，那么 dot 为 a 的每一行和 b （只有一行）的 内积；
>>>a = a = np.array([[1,2], [3, 4]]) >>>b = np.array([1, 2]) >>>np.dot(a, b) >>>array([ 5, 11])
5）a：N * D，b：M * D （N >= M）a 的所有行和 b 的所有行的内积，共要计算 N * M 次,结果的 shape 为：N * M。
>>>a = a =np.array([[1, 2], [2, 3], [3, 4]]) >>>b = b =np.array([[1, 2], [2, 3]]) >>>np.dot(a, b) >>>array([[ 5, 8], [ 8, 13], [11, 18]])
参考：
https://www.cnblogs.com/keye/p/11195428.html
https://blog.csdn.net/qq_42522262/article/details/86777426
Python与线性代数——Numpy中的matrix()和array()的区别
标签：方法 相同 http erro sdn mil 总结 scalar print
原文地址：https://www.cnblogs.com/ratels/p/12235230.html
