Python Numpy矩阵乘法使用循环将多个矩阵相乘在一起

我编写的代码创建了名为

matrixi

的矩阵，其中

I

替换为当前循环编号：

for i in range(len(node2)):
    if sOrP[i] == 'S':
        #print('series connection')
        matrixTemplate = numpy.array([[1.0, 0.0], [0.0, 1.0]])  #Got to put 1.0 else it doesnt work
        matrixTemplate[0][1] = frequenciesList[0][i]
        globals()['matrix%s' % i] = matrixTemplate
        #print(matrixTemplate)
    elif sOrP[i] == 'P':
        #print('parallel connection')
        matrixTemplate = numpy.array([[1.0, 0.0], [0.0, 1.0]])
        matrixTemplate[1][0] = 1 / frequenciesList[0][i]
        globals()['matrix%s' % i] = matrixTemplate
        #print(matrixTemplate)

然后我需要将创建的矩阵相乘：

Ty = matrix0 @ matrix1 @ matrix2 @ matrix3 @ matrix4 @ matrix5 @ matrix6 @ matrix7 @ matrix8 @ matrix9

这是可行的，但代码必须能够接受多个输入，并且可能创建更多或更少的矩阵。如果那样的话，那就行不通了

是否可以使用循环或函数执行乘法部分？

您可以使用列表（或字典）保存矩阵：

matrices = []

for i in range(len(node2)):

    if (sOrP[i] == 'S'):
        #print('series connection')
        matrixTemplate = numpy.array([[1.0, 0.0],[0.0, 1.0]]) #Got to put 1.0 else it doesnt work

        matrixTemplate[0][1] = frequenciesList[0][i]

        matrices.append(matrixTemplate)

        #print(matrixTemplate)

    elif (sOrP[i] == 'P'):
        #print('parallel connection')
        matrixTemplate = numpy.array([[1.0, 0.0],[0.0, 1.0]])

        matrixTemplate[1][0] = 1/frequenciesList[0][i]

        matrices.append(matrixTemplate)

        #print(matrixTemplate)

然后使用

reduce

和

numpy.matmul

计算总矩阵积：

from functools import reduce

Ty = reduce(numpy.matmul, matrices)

---

您可以使用循环或numpy函数

循环实现：

matrixes = [M1, M2, ..., Mn]
A = matrixes[0]
for i in range(1, len(matrixes)):
    B = matrixes[i]
    A = np.dot(A, B)

第一次迭代：A=M1，B=M2；M1.M2

第二次迭代：A=M1.M2，B=M3；M1.M2.M3

---

Numpy函数：

Numpy.linalg.multi_-dot（矩阵）

如果您已经意识到，设置您已经完成的变量是一种非常糟糕的方法。如果你的矩阵都是正方形的，你只需要一个变量来保存整个堆栈，shaped

（len（node2），2，2）

另一点是索引。Numpy数组不是列表。您的索引应该看起来像

[1,0]

，而不是

[1][0]

。像下面这样的答案解释了原因：

让我们假设

sOrP

和

frequenciesList

是numpy数组。如果它们不是，则将它们包装在对

np.array

的调用中。可以将堆栈设置为如下所示：

matrix=np.broadcast_to（[[1,0]，[0,1]]，（len（node2），2,2））.copy（）
遮罩=（sOrP='S'）
maskP=（sOrP='P'）
矩阵[掩码，0，1]=频率列表[掩码]
矩阵[maskP，1，0]=1/频率列表[maskP]

您可以验证

矩阵[i]

是否与原始构造中的

matrixi

等效

将所有矩阵相乘的简单方法是使用循环：

Ty = np.eye(2)
for mat in matrices:
    Ty @= mat

但是numpy是关于矢量化的。碰巧的是，为了优化这一精确操作：

Ty = np.linalg.multidot(matrices)

---

顺便说一句，

np.linalg.multi_dot

的思考方式与dzang所描述的完全相同，但是使用了

np.dot

而不是

np.matmul

。如果你想知道dot和matmul之间的区别，你可以看看这个。