各有哪些优缺点？
从我所看到的情况来看,如果需要的话,任何一个都可以作为另一个的替代品,那么我是否应该使用它们或者我应该只坚持其中一个？
该计划的风格会影响我的选择吗？我正在使用numpy做一些机器学习,所以确实有很多矩阵,但也有很多向量(数组).
Numpy矩阵是严格的二维矩阵,而numpy数组(ndarray)是N维的.Matrix对象是ndarray的子类,因此它们继承了ndarrays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方便的符号:如果a和b是矩阵,则a*b是它们的矩阵乘积.
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,因此您可以使用Python> = 3.5中的ndarrays实现矩阵乘法的相同方便.
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,但矩阵对象也有.H共轭转置和.I反转.
相反,numpy数组始终遵循以元素方式应用操作的规则(除了new @运算符).因此,如果是a和bnumpy数组,那么a*b是通过元素乘以组件形成的数组:
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,a**2返回矩阵乘积a*a.因为c是一个ndarray,c**2返回一个ndarray,每个组件的元素方形平方.
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有关).
numpy数组的主要优点是它们比二维矩阵更通用.当你想要一个三维数组时会发生什么？然后你必须使用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操作和ndarray操作.
编写一个使用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,以免乘法返回你不期望的东西.
相比之下,如果你只使用ndarrays,那么你可以做矩阵对象可以做的所有事情,除了功能/符号略有不同之外.
如果你愿意放弃NumPy矩阵产品符号的视觉吸引力(在Python中使用ndarrays> = 3.5可以很好地实现),那么我认为NumPy数组肯定是要走的路.
PS.当然,你真的不必以牺牲另一个为代价来选择一个,因为np.asmatrix并np.asarray允许你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arraysVS NumPy的matrixES 这里.
Scipy.org建议您使用数组:
*'数组'或'矩阵'？我应该使用哪个？ - 简短的回答
使用数组.
它们是numpy的标准矢量/矩阵/张量类型.许多numpy函数返回数组,而不是矩阵.
元素操作和线性代数操作之间有明显的区别.
如果您愿意,可以使用标准向量或行/列向量.
使用数组类型的唯一缺点是你必须使用
dot而不是*乘法(减少)两个张量(标量乘积,矩阵向量乘法等).
只是将一个案例添加到unutbu的列表中.
与numpy矩阵或matlab等矩阵语言相比,numpy ndarray的最大实际差异之一是,维度不会在reduce操作中保留.矩阵总是2d,而数组的平均值只有一个维度.
例如,矩阵或数组的demean行:
用矩阵
>>> 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]])
与数组
>>> 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可以产生许多"快乐"的调试时间.但是,scipy.sparse矩阵总是就乘法等运算符而言是矩阵.
正如其他人所提到的,也许主要优点matrix是它为矩阵乘法提供了方便的符号.
但是,在Python 3.5中,最终有一个专用的中缀运算符用于矩阵乘法:@.
使用最近的NumPy版本,它可以与ndarrays 一起使用:
A = numpy.ones((1, 3)) B = numpy.ones((3, 3)) A @ B
所以现在,甚至更多,如果有疑问,你应该坚持ndarray.
京公网安备 11010802040832号 | 京ICP备19059560号-6 