每种都有哪些优点和缺点?
从我所看到的情况来看,如果需要,任何一个都可以替代另一个,所以我应该同时使用这两个还是应该仅使用其中之一?
程序的样式会影响我的选择吗?我正在使用numpy进行一些机器学习,因此确实有很多矩阵,但也有很多向量(数组)。
A @ B
的,而不是A.dot(B)
,这里A
和B
是2D ndarray
秒。这消除了使用恕我直言matrix
代替平原ndarray
的主要优势。
每种都有哪些优点和缺点?
从我所看到的情况来看,如果需要,任何一个都可以替代另一个,所以我应该同时使用这两个还是应该仅使用其中之一?
程序的样式会影响我的选择吗?我正在使用numpy进行一些机器学习,因此确实有很多矩阵,但也有很多向量(数组)。
A @ B
的,而不是A.dot(B)
,这里A
和B
是2D ndarray
秒。这消除了使用恕我直言matrix
代替平原ndarray
的主要优势。
Answers:
根据官方文件,不再建议使用矩阵类,因为将来会删除它。
https://numpy.org/doc/stable/reference/generation/numpy.matrix.html
正如其他答案所指出的那样,您可以使用NumPy数组实现所有操作。
numpy的矩阵是严格2维的,而numpy的阵列(ndarrays)是N维的。矩阵对象是ndarray的子类,因此它们继承了ndarray的所有属性和方法。
numpy矩阵的主要优点是它们为矩阵乘法提供了一种方便的表示法:如果a和b是矩阵,则a*b
它们是矩阵乘积。
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使用@
运算符支持中缀矩阵乘法,因此您可以在Python> = 3.5中使用ndarrays实现相同的矩阵乘法便捷性。
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.T
必须返回转置,但是矩阵对象也必须具有.H
共轭转置和.I
逆。
相反,numpy数组始终遵守以元素为单位应用操作的规则(除了new @
运算符)。因此,如果a
和b
是numpy数组,则a*b
该数组是通过按元素逐个乘以组成的:
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,请使用np.dot
(或@
在Python> = 3.5中,如上所示):
print(np.dot(c,d))
# [[13 20]
# [ 5 8]]
该**
运营商还表现不同:
print(a**2)
# [[22 15]
# [10 7]]
print(c**2)
# [[16 9]
# [ 4 1]]
由于a
是矩阵,所以a**2
返回矩阵乘积a*a
。由于c
是ndarray,因此c**2
返回一个ndarray,每个组件的元素均平方。
矩阵对象和ndarray之间还有其他技术差异(与np.ravel
,项目选择和序列行为有关)。
numpy数组的主要优点是它们比二维矩阵更通用。当您需要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,学习使用矩阵对象的工作量更大-您必须学习矩阵对象操作和ndarray操作。
编写一个将矩阵和数组混合在一起的程序会使您的生活变得困难,因为您必须跟踪变量是什么类型的对象,以免乘法返回您不期望的东西。
相反,如果仅使用ndarray,则可以执行矩阵对象可以执行的所有操作,以及更多操作,但功能/符号略有不同。
如果您愿意放弃NumPy矩阵产品表示法的视觉吸引力(使用python> = 3.5的ndarrays几乎可以优雅地实现),那么我认为NumPy数组绝对是可行的方法。
PS。当然,您实际上不必选择以牺牲另一个为代价,因为np.asmatrix
并np.asarray
允许您将一个转换为另一个(只要数组是二维的)。
还有就是与NumPy之间的差异大纲arrays
VS NumPy的matrix
ES 这里。
mat**n
对于一个矩阵可以粗暴应用于阵列与reduce(np.dot, [arr]*n)
np.linalg.matrix_power(mat, n)
np.dot(array2, array2)
比快matrix1*matrix2
。这是有道理的,因为它matrix
是ndarray的子类,它覆盖了诸如之类的特殊方法__mul__
。matrix.__mul__
来电np.dot
。因此,这里有代码重用。使用而不是执行更少的检查,matrix*matrix
需要额外的函数调用。因此,使用的好处matrix
是纯粹的语法,而不是更好的性能。
*'array'或'matrix'?我应该使用哪个?-简短答案
使用数组。
它们是numpy的标准向量/矩阵/张量类型。许多numpy函数返回数组,而不是矩阵。
在逐元素运算和线性代数运算之间有明显的区别。
如果愿意,可以有标准向量或行/列向量。
使用数组类型的唯一缺点是,您将不得不使用
dot
而不是*
乘(减少)两个张量(标量积,矩阵向量乘法等)。
ndarray
。使用的主要参数matrix
是,如果您的代码在线性代数中比较繁琐,并且对dot
函数的所有调用看起来都不那么清晰。但是,既然将@ -operator用于矩阵乘法,该论点将在将来消失,请参阅PEP 465。这将需要Python 3.5和最新版本的Numpy。矩阵类可能在不远的将来被弃用,因此最好将ndarray用于新代码...
scipy.sparse
矩阵。如果您在代码中同时使用了密集和稀疏矩阵,则坚持起来会容易得多matrix
。
只是将一个案例添加到unutbu的列表中。
与numpy矩阵或矩阵语言(如matlab)相比,numpy ndarray对我而言最大的实际差异之一是,在归约运算中未保留维。矩阵始终为2d,而数组的均值则少一维。
例如,矩阵或数组的行为不佳的行:
带矩阵
>>> 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]])
带阵列
>>> 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]])
我还认为混合数组和矩阵会带来很多“快乐的”调试时间。但是,就乘法而言,scipy.sparse矩阵始终是矩阵。
正如其他人提到的那样,也许它的主要优点matrix
是它为矩阵乘法提供了一种方便的符号。
但是,在Python 3.5中,终于有了一个专用的infix运算符用于矩阵乘法:@
。
在最新的NumPy版本中,它可以与ndarray
s 一起使用:
A = numpy.ones((1, 3))
B = numpy.ones((3, 3))
A @ B
因此,如今,如果有更多疑问,您应该坚持ndarray
。