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的一個小的分支，包含于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，那么a*b，就是矩陣積。而不用np.dot()。如：

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 都可以通過objects后面加.T?得到其轉置。但是 matrix objects 還可以在后面加?.H?f得到共軛矩陣, 加?.I?得到逆矩陣。

相反的是在numpy里面arrays遵從逐個元素的運算，所以對于array：c 和d的c*d運算相當于matlab里面的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]]

?

而矩陣相乘，則需要numpy里面的dot命令 :

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

?但是python中矩陣沒有MATLAB中的.*這個性質，對于matrix對應乘法得用np.multiply()

>>> np.multiply(a,b) matrix([[ 4, 6],[6, 4]])

?

當然 **?運算符的作用也不一樣 ：

print(a**2) #矩陣乘法 # [[22 15] # [10 7]] print(c**2) #對應乘法 # [[16 9] # [ 4 1]]

問題就出來了，如果一個程序里面既有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，還減少了編程和閱讀的麻煩。

當然你可以通過下面的兩條命令輕松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]]) >>> 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]])

對array 來說

>>> 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]])

?

轉載于:https://www.cnblogs.com/cymwill/p/7823148.html

總結

以上是生活随笔為你收集整理的numpy中的matrix与array的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。