Python 我能用np矩阵计算元素乘积吗?
我知道我可以使用Python 我能用np矩阵计算元素乘积吗?,python,arrays,numpy,matrix,Python,Arrays,Numpy,Matrix,我知道我可以使用.dot语法使用numpy数组进行矩阵乘法。常规的*乘法执行元素级乘法 a = np.array([[1,2],[3,4]]) print 'matrix multiplication', a.dot(a) print 'element-wise multiplication', a * a > matrix multiplication [[ 7 10] [15 22]] > element-wise multiplication [[ 1 4] [ 9
.dot
语法使用numpy数组进行矩阵乘法。常规的*
乘法执行元素级乘法
a = np.array([[1,2],[3,4]])
print 'matrix multiplication', a.dot(a)
print 'element-wise multiplication', a * a
> matrix multiplication [[ 7 10] [15 22]]
> element-wise multiplication [[ 1 4] [ 9 16]]
这很好,但它与我所学过的所有矩阵运算相反(即“点积”通常是按元素计算的,正则积通常是全矩阵乘法)
所以我正在研究np.matrix
。好在矩阵乘法使用了*
运算符,但我不知道如何进行元素乘法
m = np.matrix(a)
print 'matrix multiplication', m * m
print 'more matrix multiplication? ', m.dot(m)
> matrix multiplication [[ 7 10] [15 22]]
> more matrix multiplication? [[ 7 10] [15 22]]
我知道发生了什么-numpy矩阵没有.dot
运算符,因此它取决于基本np.array
实现。但这是否意味着无法使用np.matrix
计算点积
这只是避免使用
np.matrix
而坚持使用np.array
的另一个参数吗?您可以使用multiply
函数获得元素相乘:
>>> np.multiply(m, m)
matrix([[ 1, 4],
[ 9, 16]])
对于np,结果相同。乘以(a,a)
名称
dot
确实有些误导,但是np.dot
的文档清楚地说:“对于二维数组,它相当于矩阵乘法”。严格地说,点积不是为矩阵定义的;元素乘法是。您可以使用乘法
函数获得元素乘法:
>>> np.multiply(m, m)
matrix([[ 1, 4],
[ 9, 16]])
对于np,结果相同。乘以(a,a)
名称
dot
确实有些误导,但是np.dot
的文档清楚地说:“对于二维数组,它相当于矩阵乘法”。严格地说,点积不是为矩阵定义的;元素乘法是。矢量的np.dot
与点积(也称为标量积)一致
In [125]: np.arange(10).dot(np.arange(1,11))
Out[125]: 330
但是,np.dot
被推广用于处理2维(或更高维)数组
MATLAB从一开始就建立在二维矩阵上,矩阵积被视为最常见和最基本的乘法。因此,*
符号用于元素乘法。
也可以与+
和其他运算符一起使用
numpy
中的基本结构是一个n-d数组。由于这样的数组可以有0、1、2或更多维度,因此数学运算符被设计为按元素工作<代码>np。提供dot
来处理矩阵积。有一种变体叫做np.tensordot
<代码>np.einsum使用爱因斯坦符号(物理学中流行)。一个新的@
操作符调用np.matmul
函数
In [131]: a.dot(a)
Out[131]:
array([[ 7, 10],
[15, 22]])
In [134]: np.einsum('ij,jk->ik',a,a)
Out[134]:
array([[ 7, 10],
[15, 22]])
In [135]: a@a
Out[135]:
array([[ 7, 10],
[15, 22]])
In [136]: np.matmul(a,a)
Out[136]:
array([[ 7, 10],
[15, 22]])
np.matrix
是一个ndarray
子类,添加它是为了让任性的MATLAB用户更熟悉numpy
。与旧版本的MATLAB一样,它只能是2d。因此,矩阵
计算的结果将始终是2d(或标量)。它的使用通常是不鼓励的,尽管我相信它会存在很长一段时间。(我使用的sparse
矩阵多于np.matrix
)
添加了@
运算符后,使用np.matrix
的理由就少了一个
In [149]: m=np.matrix(a)
In [150]: m*m
Out[150]:
matrix([[ 7, 10],
[15, 22]])
In [151]: m@m
Out[151]:
matrix([[ 7, 10],
[15, 22]])
In [152]: m*m*m
Out[152]:
matrix([[ 37, 54],
[ 81, 118]])
In [153]: a@a@a
Out[153]:
array([[ 37, 54],
[ 81, 118]])
矢量的
np.dot
与点积
(也称为标量积)一致
In [125]: np.arange(10).dot(np.arange(1,11))
Out[125]: 330
但是,np.dot
被推广用于处理2维(或更高维)数组
MATLAB从一开始就建立在二维矩阵上,矩阵积被视为最常见和最基本的乘法。因此,*
符号用于元素乘法。
也可以与+
和其他运算符一起使用
numpy
中的基本结构是一个n-d数组。由于这样的数组可以有0、1、2或更多维度,因此数学运算符被设计为按元素工作<代码>np。提供dot来处理矩阵积。有一种变体叫做np.tensordot
<代码>np.einsum使用爱因斯坦符号(物理学中流行)。一个新的@
操作符调用np.matmul
函数
In [131]: a.dot(a)
Out[131]:
array([[ 7, 10],
[15, 22]])
In [134]: np.einsum('ij,jk->ik',a,a)
Out[134]:
array([[ 7, 10],
[15, 22]])
In [135]: a@a
Out[135]:
array([[ 7, 10],
[15, 22]])
In [136]: np.matmul(a,a)
Out[136]:
array([[ 7, 10],
[15, 22]])
np.matrix
是一个ndarray
子类,添加它是为了让任性的MATLAB用户更熟悉numpy
。与旧版本的MATLAB一样,它只能是2d。因此,矩阵
计算的结果将始终是2d(或标量)。它的使用通常是不鼓励的,尽管我相信它会存在很长一段时间。(我使用的sparse
矩阵多于np.matrix
)
添加了@
运算符后,使用np.matrix
的理由就少了一个
In [149]: m=np.matrix(a)
In [150]: m*m
Out[150]:
matrix([[ 7, 10],
[15, 22]])
In [151]: m@m
Out[151]:
matrix([[ 7, 10],
[15, 22]])
In [152]: m*m*m
Out[152]:
matrix([[ 37, 54],
[ 81, 118]])
In [153]: a@a@a
Out[153]:
array([[ 37, 54],
[ 81, 118]])
谢谢作为一个非常了解numpy的人,您建议使用数组还是矩阵方法?使用矩阵有什么好处吗?@KirkBroadhurst:你真正需要矩阵的时候是,如果你使用的是一些不支持numpy的第三方代码,它只应该乘以标量,而你希望在代码中的乘法是点积。@KirkBroadhurst:这取决于你在做什么。如果你想做矩阵运算(比如做很多矩阵乘法),你可以使用矩阵。如果你主要做的是向量运算(即基于行或基于列的运算),数组就更有意义了。@BrenBarn:如果你做的是大量的矩阵乘法,那么你肯定只需要使用
@
矩阵乘法运算符吗?@Eric:是的,如果你使用的是Python 3.5,而不是所有人都这么做。谢谢!作为一个非常了解numpy的人,您建议使用数组还是矩阵方法?使用矩阵有什么好处吗?@KirkBroadhurst:你真正需要矩阵的时候是,如果你使用的是一些不支持numpy的第三方代码,而这些代码应该只对标量进行乘法,而你希望在代码中的乘法是一个简单的过程