numpy数组和矩阵之间有什么区别？我该用哪一个？

Question

numpy数组和矩阵之间有什么区别？我该用哪一个？每种方法的优点和缺点是什么？据我所见，如果需要的话，两种方法都可以替代另一种，所以我应该同时使用这两种，还是应该只使用其中一种呢？节目的风格会影响我的选择吗？我正在用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)。

Answer 1

Numpy矩阵严格是二维的，而numpy阵列(Ndarray)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，那么a*b就是它们的矩阵乘积。

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Python3.5开始，NumPy支持使用@运算符，因此您可以使用Python>=3.5中的ndarray实现矩阵乘法的同样方便。

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都有.T若要返回转置，但矩阵对象也具有.H对于共轭转置，和.I反之亦然。

相反，numpy数组始终遵循按元素应用操作的规则(新的除外)。@(操作员)因此，如果a和b是numpy数组，那么a*b是将组件元素按顺序相乘形成的数组：

c=np.array([[4, 3], [2, 1]])d=np.array([[1, 2], [3, 4]])print(c*d)# [[4 6]#  [6 4]]

若要获得矩阵乘法的结果，请使用np.dot(或@在Python>=3.5中，如上文所示)：

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

这个**运算符的行为也不同：

print(a**2)# [[22 15]#  [10  7]]print(c**2)# [[16  9]#  [ 4  1]]

自a是矩阵，a**2返回矩阵积a*a..自c是一条警钟，c**2返回一个包含每个组件平方元素的ndarray。

矩阵对象和ndarray之间还有其他技术差异(与np.ravel、项选择和序列行为有关)。

Numpy阵列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。

编写一个同时使用矩阵和数组的程序会使你的生活变得困难，因为你必须跟踪你的变量是哪种类型的对象，以免乘法返回你不想要的东西。

相反，如果您只使用ndarray，那么您可以完成矩阵对象所能做的所有事情，甚至更多，除非函数/表示法稍有不同。

如果您愿意放弃NumPy矩阵乘积表示法的视觉吸引力(在Python>=3.5中使用ndarray几乎可以很好地实现它)，那么我认为NumPy数组绝对是可行的。

PS。当然，你真的不必牺牲另一个而选择一个，因为np.asmatrix和np.asarray允许您将其中一个转换为另一个(只要数组是二维的)。

---

NumPy之间的区别有一个概要arraysVS NumPymatrix埃斯这里.

Answer 2

建议您使用数组：

*“数组”或“矩阵”？我该用哪一种？-简短的回答

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。

• 元素运算和线性代数运算有着明显的区别.

• 如果愿意，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必须使用dot而不是*将两个张量(标量乘积、矩阵向量乘法等)相乘。

Answer 3

只是为了在unutbu的名单上加上一个案子。

与numpy矩阵或matlab这样的矩阵语言相比，numpy ndarray最大的实际区别之一是，减少运算中没有保留维数。矩阵总是2d，而数组的平均值，例如，其一维数就少了。

例如，贬低矩阵或数组的行：

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 #wrongarray([[-0.5, -0.5],
       [ 0.5,  0.5]])>>> a - am[:, np.newaxis]  #rightarray([[-0.5,  0.5],
       [-0.5,  0.5]])

我还认为混合数组和矩阵会导致许多“愉快”的调试时间。然而，稀疏矩阵通常是像乘法这样的算子的矩阵。