numpy中matrix 和 array的区别
2017-12-05 11:17
405 查看
转自http://blog.csdn.net/vincentlipan/article/details/20717163
更详细总结可参见http://www.cnblogs.com/sonictl/p/7406562.html
----------------------------------------------------------------------------------------------------------------------------------------------------------
numpy matrices必须是2维的,但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。
矩阵相乘-矩阵
逐元素相乘-数组
矩阵相乘-数组
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:
对array来说
更详细总结可参见http://www.cnblogs.com/sonictl/p/7406562.html
----------------------------------------------------------------------------------------------------------------------------------------------------------
numpy matrices必须是2维的,但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。
矩阵相乘-矩阵
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(a*b) # #正常的矩阵积 # [[13 20] # [ 5 8]]
逐元素相乘-数组
c=np.array([[4, 3], [2, 1]]) d=np.array([[1, 2], [3, 4]]) print(c*d) # #对array来说,*意味着对应元素相乘 # [[4 6] # [6 4]]
矩阵相乘-数组
# #array应用矩阵乘法,则需要numpy里面的dot命令 c=np.array([[4, 3], [2, 1]]) d=np.array([[1, 2], [3, 4]]) print(np.dot(c,d)) # [[13 20] # [ 5 8]]
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]]) >>> m matrix([[1, 2], [2, 3]]) >>> mm = m.mean(1) >>> mm matrix([[ 1.5], [ 2.5]]) >>> mm.shape (2, 1) >>> m - mm matrix([[-0.5, 0.5], [-0.5, 0.5]])
对array来说
>>> a = np.array([[1,2],[2,3]]) >>> a array([[1, 2], [2, 3]]) >>> am = a.mean(1) >>> am.shape (2,) >>> am array([ 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]])
相关文章推荐
- 论numpy中matrix 和 array的区别
- [python]论numpy中matrix 和 array的区别
- numpy中matrix 和 array的区别
- numpy之matrix和array的乘法区别
- numpy中matrix 和 array的区别
- numpy中matrix 和 array的区别
- 论numpy中matrix 和 array的区别
- numpy中matrix和array的区别
- numpy中的matrix与array的区别
- Python Numpy的数组array和矩阵matrix的用法与区别
- numpy中matrix 和 array的区别
- numpy.array和numpy.matrix的一点小区别
- 论numpy中matrix和array的区别
- numpy中array和asarray的区别
- list,array 与matrix 的区别
- numpy的array和matrix
- Python Numpy的数组array和矩阵matrix
- 论numpy中matrix 和 array的区别
- numpy中的matrix和array
- numpy 中array参数'f'与order='f'区别