Question

我正在研究的科学/工程应用有很多线性代数矩阵乘法，因此我使用Numpy矩阵。但是，python中有许多函数可以互换地接受矩阵或数组类型。很好，不是吗？好吧，不是真的。让我用一个例子来证明这个问题：

from scipy.linalg import expm
from numpy import matrix

# Setup input variable as matrix
A = matrix([[ 0, -1.0,  0,  0],
            [ 0,  0,  0,  1.0],
            [ 0,  0,  0,  0],
            [ 0,  0,  1.0,  0]])

# Do some computation with that input
B = expm(A)

b1 = B[0:2, 2:4]
b2 = B[2:4, 2:4].T

# Compute and Print the desired output
print "The innocent but wrong answer:"
print b2 * b1

print "The answer I should get:"
print matrix(b2) * matrix(b1)

跑步时，你得到：

The innocent but wrong answer:
[[-0.16666667 -0.5       ]
 [ 0.          1.        ]]
The answer I should get, since I expected everything to still be matrices:
[[ 0.33333333  0.5       ]
 [ 0.5         1.        ]]

有关如何避免这种混淆的任何提示或建议？将变量包装在matrix（）调用中以确保它们仍然是矩阵非常麻烦。在这方面似乎没有标准，因此它可能导致难以发现的错误。

Answer 1

由于以下几个原因，我倾向于在array中使用matrix代替numpy：

matrix严格来说是2D，而您可以拥有任何维度的numpy array。
除了一些差异之外，对于Matlab用户来说，array和matrix操作几乎是interchangeable。
如果您始终使用array，则可以使用numpy.dot()（或在Python 3.5中使用新的@二元运算符）进行矩阵乘法。这样可以避免无法确定代码中*实际执行的操作的问题。当您遇到乘法错误时，您可以更轻松地找到问题，因为您确定要尝试执行何种乘法。

因此，我建议您尝试坚持numpy.array，同时请注意array和matrix之间的差异。

最后，我发现在bpython上使用numpy/scipy感到很高兴。自动提示可帮助您以比以前不断查阅numpy/scipy文档更快的速度学习您尝试使用的功能的属性。

修改 array与matrix之间的差异可能是最好的答案：'array' or 'matrix'? Which should I use?

Answer 2

混合矩阵和常规ndarray确实很棘手，通常不值得麻烦。我会推荐其他海报，并建议你坚持阵列。

尽管如此，在您的特定示例中，问题来自expm。根据文档，它需要一个常规ndarray作为参数并输出一个ndarray。如果要将输出转换回matrix，可以使用：

B = matrix(expm(A))

或

B = expm(A).view(matrix)

现在，B是一个矩阵，B的切片本身就是矩阵，你的乘法将按预期工作。

因此，建议是始终检查函数输出的类型。

混合numpy矩阵和阵列的危险

2 个答案: