Datawhale 2019-05-18
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。
但在数组乘和矩阵乘时,两者各有不同,如果a和b是两个matrices,那么a*b,就是矩阵积
如果a,b是数组的话,则a*b是数组的运算
1.对数组的操作
>>> import numpy as np
>>> a=np.array([[1,2,3],[4,5,6],[7,8,9]]) >>> a array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> b=a.copy() >>> b array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> a+b#多维数组的加减,按对应位置操作 array([[ 2, 4, 6], [ 8, 10, 12], [14, 16, 18]]) >>> a*3#多维数组乘常数,则对数组中每一个元素乘该常数 array([[ 3, 6, 9], [12, 15, 18], [21, 24, 27]]) >>> np.dot(a,b)#数组的点乘运算通过np.dot(a,b)来实现,相当于矩阵乘 array([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]]) >>> c=np.array([1,2,3])#构造一行三列的数组 >>> c array([1, 2, 3]) >>> c*a#c为一行三列,放于数组a之前,则对数组a中每行对应位置相乘 array([[ 1, 4, 9], [ 4, 10, 18], [ 7, 16, 27]]) >>> a*c#c为一行三列,放于数组a之后,依旧是对数组a中每行对应位置相乘 array([[ 1, 4, 9], [ 4, 10, 18], [ 7, 16, 27]]) >>> #如果想要矩阵运算,则需要np.dot()函数 >>> np.dot(c,a)#c为一行三列,放于数组a之前,按正常矩阵方式运算 array([30, 36, 42]) >>> np.dot(a,c)#c为一行三列,放于数组a之后,相当于矩阵a乘以3行一列的c矩阵,返回结果值不变,格式为1行3列 array([14, 32, 50]) >>> #将c改为多行一列的形式 >>> d=c.reshape(3,1) >>> d array([[1], [2], [3]]) >>> # >>> np.dot(a,d)#值与np.dot(a,c)一致,但格式以改变为3行1列 array([[14], [32], [50]]) >>> a*a#数组使用*的运算其结果属于数组运算,对应位置元素之间的运算 array([[ 1, 4, 9], [16, 25, 36], [49, 64, 81]]) >>> #但是不能更改a,d点乘的位置,不符合矩阵运算格式 >>> np.dot(d,a) Traceback (most recent call last): File "<pyshell#28>", line 1, in <module> np.dot(d,a) ValueError: shapes (3,1) and (3,3) not aligned: 1 (dim 1) != 3 (dim 0)
对于数组的转置,求逆,求迹运算请参考上篇文章
2.对矩阵的操作
>>> a=np.array([[1,2,3],[4,5,6],[7,8,9]]) >>> a=np.mat(a) >>> a matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> b=a >>> b matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> a+b#矩阵的加减运算和数组运算一致 matrix([[ 2, 4, 6], [ 8, 10, 12], [14, 16, 18]]) >>> a-b matrix([[0, 0, 0], [0, 0, 0], [0, 0, 0]]) >>> a*b#矩阵的乘用*即可表示 matrix([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]]) >>> np.dot(a,b)#与*一致 matrix([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]]) >>> b*a matrix([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]]) >>> np.dot(b,a) matrix([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]]) >>> c=np.array([1,2,3])#构造一行三列数组 >>> c array([1, 2, 3]) >>> c*a#矩阵运算 matrix([[30, 36, 42]]) >>> a*c#不合矩阵规则 Traceback (most recent call last): File "<pyshell#63>", line 1, in <module> a*c File "F:\python3\anzhuang\lib\site-packages\numpy\matrixlib\defmatrix.py", line 309, in __mul__ return N.dot(self, asmatrix(other)) ValueError: shapes (3,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0) >>> np.dot(c,a)#和矩阵运算一致 matrix([[30, 36, 42]]) >>> np.dot(a,c)#自动将a转换成3行1列参与运算,返回结果格式已经变为1行3列而非3行一列的矩阵 matrix([[14, 32, 50]]) >>> c=c.reshape(3,1) >>> c array([[1], [2], [3]]) >>> a*c#和矩阵运算一致 matrix([[14], [32], [50]]) >>> c*a#不合矩阵运算格式 Traceback (most recent call last): File "<pyshell#71>", line 1, in <module> c*a ValueError: shapes (3,1) and (3,3) not aligned: 1 (dim 1) != 3 (dim 0)
矩阵运算的另一个好处就是方便于求转置,求逆,求迹
>>> a matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) >>> a.T matrix([[1, 4, 7], [2, 5, 8], [3, 6, 9]]) >>> a.H#共轭转置 matrix([[1, 4, 7], [2, 5, 8], [3, 6, 9]]) >>> b=np.eye(3)*3 >>> b array([[3., 0., 0.], [0., 3., 0.], [0., 0., 3.]]) >>> b=np.mat(b) >>> b.I#求逆运算 matrix([[0.33333333, 0. , 0. ], [0. , 0.33333333, 0. ], [0. , 0. , 0.33333333]]) >>> np.trace(b)#求迹运算 9.0
以上所述是小编给大家介绍的python中数组和矩阵乘法及使用总结详解整合,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对安科网网站的支持!