Python numpy点积返回NaN，Matlab等价物不返回NaN

我有一个向量

beta=np.array（[[1]，[4]，[0]]）

当我使用

np.log

这个向量时，我得到：

>>> np.log(beta)
array([[ 0.        ],
       [ 1.38629436],
       [       -inf]])

但是当我使用

np.dot

和这个

beta

和一个单位矩阵时，它给出了NaN而不是

1.38629436

作为

[1,0]

的元素

>>> np.dot(np.eye(3),np.log(beta))
array([[ nan],
       [ nan],
       [-inf]])

我也试过这个：

>>> beta2 = np.log(beta)
>>> beta2
array([[ 0.        ],
       [ 1.38629436],
       [       -inf]])
>>> np.dot(np.eye(3),beta2)
array([[ nan],
       [ nan],
       [-inf]])

Matlab版本的相同乘法不返回NaN。我想在numpy也一样。有什么想法吗

---

编辑：我知道基本线性代数的人，谢谢你。我的实际问题是设法为点积找到一个numpy等价物，它与Matlab的点积做相同的事情，在相同的情况下，它不返回NaN。

向量的第三个分量包含在所有矩阵行的积中。无穷乘以零是不确定的。与大多数语言一样，Python声明这不是一个数字

第一个元素是什么

[[1 0 0]    [[0]
 [0 1 0]  *  [1.38629436]
 [0 0 1]]    [-inf]]

?？嗯，它是

1*0+0*1.38629436+0*-inf

。看到最后一部分了吗

0*-inf

---

如果你开始尝试在你的矩阵中加入无穷大，那么所有这些线性代数的好定理都会直接消失。见鬼，这些定理只适用于有限浮点数，因为浮点数和浮点数运算只能近似实数和实数运算。

点涉及将“所有”值相乘，并将一个轴求和。这个点的等价物是

np.einsum('ij,jk->ik`, np.eye(3), np.log(beta))

可通过广播评估为：

In [223]: np.eye(3)[:,:,None]*np.log(beta)[None,:,:]
Out[223]: 
array([[[ 0.        ],
        [ 0.        ],
        [        nan]],

       [[ 0.        ],
        [ 1.38629436],
        [        nan]],

       [[ 0.        ],
        [ 0.        ],
        [       -inf]]])
In [224]: (np.eye(3)[:,:,None]*np.log(beta)[None,:,:]).sum(axis=1)
Out[224]: 
array([[ nan],
       [ nan],
       [-inf]])

因此第一个

nan

来自求和

[0,0，nan]

In [226]: 0*np.log(beta)
Out[226]: 
array([[  0.],
       [  0.],
       [ nan]])