Python 如何使用Pandas级数和numpy数组进行矩阵乘法，并始终返回一个级数？

当您将熊猫系列作为其参数之一传递时，我注意到不同Numpy版本之间存在不一致

在具有Numpy版本1.16.4的Python 3.6中

>>> import numpy as np
>>> import pandas as pd
>>> a = np.array(range(9)).reshape((3, 3))
>>> b = np.array([2]*3)
>>> np.matmul(b, a)                                                                                        
array([18, 24, 30])
>>> b2 = pd.Series(b)
>>> np.matmul(b2, a)
0    18
1    24
2    30
dtype: int64

（返回一个序列）

在Python 3.7和Numpy 1.15.4中

>>> a = np.array(range(9)).reshape((3, 3))
>>> b = np.array([2]*3)
>>> np.matmul(b, a)                                                                                        
array([18, 24, 30])
>>> b2 = pd.Series(b)
>>> np.matmul(b2, a)
array([18, 24, 30])

（返回一个数组）

将

pd.Series

传递给

matmul

是否错误？我一直认为熊猫和numpy对象可以互换（只要形状匹配）

可能的解决方案（有什么区别？）：

（最终我希望返回结果作为

pd.Series

）

基于文档

标量、级数或numpy.ndarray返回级数的点积 而其他如果其他是一个系列，则该系列的点积为 序列和其他行（如果其他行是数据帧或 numpy.ndarray位于序列和numpy数组的每列之间

环境

pd.__version__
Out[667]: '0.25.0'
np.__version__
Out[668]: '1.16.4'

因此，使用

numpy

ndarray

我建议你检查一下时间

%timeit pd.Series(b2.dot(a), index=b2.index)
10000 loops, best of 3: 74 µs per loop
%timeit pd.Series(np.matmul(b2, a), index=b2.index)
10000 loops, best of 3: 113 µs per loop
%timeit pd.Series(np.matmul(b2.values, a), index=b2.index)
10000 loops, best of 3: 63.8 µs per loop

---

他们看起来和我很像。他们的信条2是“显式优于隐式”。如果您希望始终返回一个系列，那么最好显式地使用对

pd.series（）

的调用来消除任何歧义，或者您发现的版本或环境之间的更改。出于同样的原因，我会（在所有条件相同的情况下）选择第三个选项，因为它只显式地将值和强制转换传递给系列（尽管在pandas 0.24中，它更倾向于

b2.to_numpy（）

），根据

numpy

发行说明，

matmul

现在是

ufunc

，并接受对象数据类型数组。早期版本可能会执行

np.asarray（b2）

并执行纯

numpy

计算。这些更改中的一个或两个将在较新的代码中保留

b2

的

类型/类别。
b2
将其
\u值存储为
ndarray
，但它不是
ndarray
的子类。查看
b2.dot
的代码，了解pandas处理混合类型计算的方法。在我的numpy版本中，
b2.\uuuu matmul\uuuuu（其他）
（@operator）将操作委托给
self.dot（其他）
。由于
Series
是1d（和数据帧2d），使用
matmul
比
dot
没有任何真正的优势。
matmul
增加的一个重要功能是能够批量执行
dot
（即使用3d阵列）。谢谢。我检查了时间安排，发现它们变化很大<代码>np.matmul（b，a）
采用207205149µs（对于1000x1000阵列）和
pd.系列（b.dot（a），index=b.index）
采用170237185µs。不清楚哪个更快。
%timeit pd.Series(b2.dot(a), index=b2.index)
10000 loops, best of 3: 74 µs per loop
%timeit pd.Series(np.matmul(b2, a), index=b2.index)
10000 loops, best of 3: 113 µs per loop
%timeit pd.Series(np.matmul(b2.values, a), index=b2.index)
10000 loops, best of 3: 63.8 µs per loop