Python 使矩阵乘法运算符@适用于numpy中的标量

在python 3.5中，为矩阵乘法引入了

@

运算符，如下所示。例如，在numpy中，这是作为

但是，正如PEP所建议的，numpy运算符在使用标量操作数调用时引发异常：

>>> import numpy as np
>>> np.array([[1,2],[3,4]]) @ np.array([[1,2],[3,4]])    # works
array([[ 7, 10],
       [15, 22]])
>>> 1 @ 2                                                # doesn't work
Traceback (most recent call last):
  File "<input>", line 1, in <module>
TypeError: unsupported operand type(s) for @: 'int' and 'int'

>>将numpy作为np导入
>>>np.array（[[1,2]，[3,4]]）@np.array（[[1,2]，[3,4]]）#有效
数组（[[7,10]，
[15, 22]])
>>>1@2#不起作用
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
TypeError:不支持@:'int'和'int'的操作数类型

这对我来说真是一件令人讨厌的事，因为我正在实现数字信号处理算法，它应该同时适用于标量和矩阵。这两种情况下的方程在数学上完全等价，这并不奇怪，因为“1-D x 1-D矩阵乘法”等价于标量乘法。但是，当前状态迫使我编写重复的代码，以便正确处理这两种情况

因此，考虑到当前状态并不令人满意，是否有任何合理的方法可以使

@

操作符为标量工作？我曾考虑过向标量数据类型添加一个自定义的

\uuu matmul\uuu（self，other）

方法，但考虑到涉及的内部数据类型的数量，这似乎有很多麻烦。我是否可以更改numpy数组数据类型的

\uuuu matmul\uuuu

方法的实现，使其不引发1x1数组操作数的异常

另外，这一设计决策背后的基本原理是什么？在我脑海中，我想不出任何令人信服的理由不也为标量实现该运算符。

正如建议的那样，您可以通过在相乘的对象上强制一些最小维度来解决这个问题。有两个合理的选项：and对于

@

返回的类型有不同的结果：标量和1×1 2D数组

x = 3
y = 5
z = np.atleast_1d(x) @ np.atleast_1d(y)   # returns 15 
z = np.atleast_2d(x) @ np.atleast_2d(y)   # returns array([[15]])

然而：

• 如果x和y是1D数组，则至少使用_2d会导致错误，否则会正常相乘
• 至少使用_1d将生成标量或矩阵的乘积，而您不知道是哪个
• 这两种方法都比np.dot（x，y）更详细，后者可以处理所有这些情况

---

此外，至少_1d版本还存在同样的缺陷，如果使用scalar@scalar=scalar，也会有同样的缺陷：您不知道如何处理输出。

z.T

或

z.shape

会抛出错误吗？它们适用于1乘1矩阵，但不适用于标量。在Python的设置中，如果不放弃标量和1乘1数组所具有的所有方法和属性，就不能忽略标量和1乘1数组之间的区别

[1]@[2]

怎么样？标量已经有了

*

，那么为什么要复制它呢。听起来真正的问题是你的代码有时返回标量，有时返回矩阵。为什么不重构，让代码返回1 x 1矩阵而不是标量？或者编写一个快速函数，获取一个矩阵或标量，并返回该矩阵或带有itAs标量的1x1矩阵，以说明从链接的PEP中：

0d（标量）输入引发错误的原因。标量*矩阵乘法在数学和算法上与矩阵@矩阵乘法不同，并且已包含在elementwise*运算符中。因此，允许标量@matrix既需要一个不必要的特殊情况，又违反了TOOWTDI。

当我写

[1]@[2]

时，我在考虑类似

np.array（[1]）@np.array（[2]）

的东西，但我应该描述一下：）也许你可以使用

至少1d

，例如

np至少1d（5）@np至少1d（6）

工作正常。