码迷,mamicode.com
首页 > 编程语言 > 详细

Python与线性代数——Numpy中的matrix()和array()的区别

时间:2020-01-26 23:46:59      阅读:150      评论:0      收藏:0      [点我收藏+]

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

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

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!