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。
import numpy as npa=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
f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]]
**
运算符的作用也不一样 :
print(a**2)# [[22 15]# [10 7]]print(c**2)# [[16 9]# [ 4 1]]
因为a是个matrix,所以a**2返回的是a*a,相当于矩阵相乘。而c是array,c**2相当于,c中的元素逐个求平方。
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]])>>> 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]])
对array 来说
>>> 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 #wrongarray([[-0.5, -0.5], [ 0.5, 0.5]])>>> a - am[:, np.newaxis] #rightarray([[-0.5, 0.5], [-0.5, 0.5]])
联系客服