論numpy中matrix 和 array的區別

論numpy中matrix 和 array的區別 - csdn部落格

2023年03月07日 16:26:55

numpy matrices必須是2維的,但是 numpy arrays (ndarrays) 可以是多維的（1d，2d，3d····nd）. matrix是array的乙個小的分支，包含於array。所以matrix 擁有array的所有特性。

在numpy中matrix的主要優勢是：相對簡單的乘法運算符號。例如，a和b是兩個matrices，那麼a*b，就是矩陣積。

import

numpy 
asnpa=
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]]

相反的是在numpy裡面arrays遵從逐個元素的運算，所以array：c 和d的c*d運算相當於matlab裡面的c.*d運算。

c=np

.array
([[4,3
],[2,
1]])d=
np.array
([[1,2
],[3,
4]])
print(c
*d)# [[4 6]
#  [6 4]]

print(np

.dot(c
,d))# [[13 20]
#  [ 5  8]]

print(a

**2)# [[22 15]
#  [10  7]]
print(c
**2)# [[16  9]
#  [ 4  1]]

**2返回的是a*a，相當於矩陣相乘。而c是array，c

**2相當於，c中的元素逐個求平方。

問題就出來了，如果乙個程式裡面既有matrix 又有array，會讓人腦袋大。但是如果只用array，你不僅可以實現matrix所有的功能，還減少了程式設計和閱讀的麻煩。

當然你可以通過下面的兩條命令輕鬆的實現兩者之間的轉換：np.asmatrix和np.asarray

對我來說，numpy 中的array與numpy中的matrix，matlab中的matrix的最大的不同是，在做歸約運算時，array的維數會發生變化，但matrix總是保持為2維。例如下面求平均值的運算

>>>m =

np.mat([[1,
2],[2,
3]])
>>>
mmatrix
([[1,2
],[2,
3]])
>>>
mm =m.
mean(1
)>>>
mmmatrix
([[1.5],[
2.5]])
>>>mm.
shape(2
,1)>>>m -
mmmatrix
([[-
0.5,
0.5],
[-0.5
,0.5
]])

>>>a =

np.array
([[1,2
],[2,3
]])>>>
aarray
([[1,2
],[2,
3]])
>>>
am =a.
mean(1
)>>>am.
shape(2
,)>>>
amarray
([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
]])

NumPy中ndarray和matrix的四則運算

numpy中最重要的類是ndarray，顧名思義，即多維陣列。import numpy as np行向量 a np.array 1,2,3 a.shape 3l,列向量 b np.array 1 2 3 b.shape 3l,1l 二維矩陣 m np.array 1,2,3 4,5,6 7,8,9 ...

numpy中matrix 和 array的區別

numpy matrices必須是2維的,但是 numpy arrays ndarrays 可以是多維的 1d，2d，3d nd matrix是array的乙個小的分支，包含於array。所以matrix 擁有array的所有特性。所以 在sklearn 中如果傳入的特徵只有乙個，要使用x.valu...

numpy中matrix和array的區別

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 c np.array 4,3 2,1 d np.array 1,2 3,4 print c...