Numpy matrices是严格二维的,而 numpyarrays(ndarrays) 是
N 维。 Matrix 对象是 ndarray 的子类,因此它们继承了所有
ndarrays 的属性和方法。
numpy 矩阵的主要优点是它们提供了方便的表示法
对于矩阵乘法:如果 a 和 b 是矩阵,则a*b
是他们的矩阵
产品。
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]]
另一方面,从 Python 3.5 开始,NumPy 支持使用中缀矩阵乘法@
运算符,因此您可以在 Python >= 3.5 中实现与 ndarrays 矩阵乘法相同的便利性。
import numpy as np
a = np.array([[4, 3], [2, 1]])
b = np.array([[1, 2], [3, 4]])
print(a@b)
# [[13 20]
# [ 5 8]]
矩阵对象和 ndarray 都有.T
返回转置,但是矩阵
物体也有.H
对于共轭转置,以及.I
为逆。
相比之下,numpy 数组始终遵循以下规则:操作是
按元素应用(新的除外)@
操作员)。因此,如果a
and b
是 numpy 数组,那么a*b
是数组
通过将各分量按元素相乘而形成:
c = np.array([[4, 3], [2, 1]])
d = np.array([[1, 2], [3, 4]])
print(c*d)
# [[4 6]
# [6 4]]
要获得矩阵乘法的结果,您可以使用np.dot
(or @
在 Python >= 3.5 中,如上所示):
print(np.dot(c,d))
# [[13 20]
# [ 5 8]]
The **
运算符的行为也不同:
print(a**2)
# [[22 15]
# [10 7]]
print(c**2)
# [[16 9]
# [ 4 1]]
Since a
是一个矩阵,a**2
返回矩阵乘积a*a
.
Since c
是一个ndarray,c**2
返回一个 ndarray,其中每个分量均平方
元素方面。
矩阵对象和 ndarray 之间还存在其他技术差异
(与np.ravel
,项目选择和序列行为)。
numpy 数组的主要优点是它们比
二维矩阵。当你想要一个 3 维数组时会发生什么?然后
您必须使用 ndarray,而不是矩阵对象。因此,学习使用矩阵
对象是更多的工作——你必须学习矩阵对象运算,并且
ndarray 操作。
编写混合矩阵和数组的程序会让你的生活变得困难
因为你必须跟踪你的变量是什么类型的对象,以免
乘法会返回你意想不到的结果。
相反,如果你只使用 ndarrays,那么你可以做任何事情
矩阵对象可以做更多的事情,除了略有不同
函数/符号。
如果你愿意放弃 NumPy 矩阵产品的视觉吸引力
表示法(在 Python >= 3.5 中使用 ndarray 几乎可以优雅地实现),那么我认为 NumPy 数组绝对是正确的选择。
附言。当然,你真的不必以牺牲另一个为代价来选择一个,
自从np.asmatrix
and np.asarray
允许您将一种转换为另一种(如
只要数组是二维的)。
有一个 NumPy 之间差异的概要arrays
与 NumPymatrix
es here https://www.numpy.org/devdocs/user/numpy-for-matlab-users.html#array-or-matrix-which-should-i-use.