Python / Numpy - 矩阵乘以2D阵列和另一个2D阵列的每一行

时间:2014-01-31 00:40:17

标签: python numpy dot-product

这样做的最佳方式是什么?

a = 3x3 array
b = 20x3 array
c = 20x3 array = some_dot_function(a, b) where:
c[0] = np.dot(a, b[0])
c[1] = np.dot(a, b[1])
c[2] = np.dot(a, b[2])
...etc...

我知道这可以通过一个简单的python循环或使用numpy的apply_along_axis来完成,但我想知道是否有任何好的方法可以在numpy的底层C代码中完成。我查看了tensordot和其他一些功能,但没有任何运气。我也尝试了以下内容:

c = np.dot(a, b[:, :, np.newaxis]
#c.shape = (3, 59, 1)

这实际上运行并给出了看起来大致正确的结果,除了结果数组不是20x3。我或许可以找到一种方法将其重塑为我想要的数组,但我认为必须有一个更容易/更清晰/更清晰的内置方法,我不知道?

2 个答案:

答案 0 :(得分:6)

这给了(看起来像我的样子)正确的结果:

numpy.dot(b, a.T)

以下是一些示例输出:

>>> a = numpy.arange(9).reshape(3, 3)
>>> b = numpy.arange(60).reshape(20, 3)
>>> numpy.dot(b, a.T)
array([[   5,   14,   23],
       [  14,   50,   86],
       [  23,   86,  149],
       [  32,  122,  212],
       ....

答案 1 :(得分:2)

import numpy
a = numpy.arange(9).reshape(3,3)
b = numpy.arange(60).reshape(20,3)
c1 = numpy.dot(b, a.T) # as in the answer of senderle
c2 = numpy.einsum('ji,ki->kj',a,b)

,生成的c1和c2与您希望的相同(通过c[i] = np.dot(a, b[i])验证)

numpy.einsum的优势在于,这个技巧'ji,ki->kj'告诉我们必须在什么尺寸上做什么也适用于更大尺寸。

关于einsum的更多解释

例如,如果要执行以下操作:

a = numpy.arange(60.).reshape(3,4,5)
b = numpy.arange(24.).reshape(4,3,2)
d1 = numpy.zeros((5,2))

for i in range(5):
    for j in range(2):
        for k in range(3):
            for n in range(4):
                d1[i,j] += a[k,n,i] * b[n,k,j]

你可以通过以下方式更快地做同样的事情:

d2 = numpy.einsum('kni,nkj->ij', a, b) 
# the 'kni,nkj->ij' is what you otherwise do with the indices as in 
# d1[i,j] += a[k,n,i] * b[n,k,j]

或者如果您不喜欢这种指定必须发生的事情的方式,您也可以使用numpy.tensordot代替numpy.einsum,并按如下方式指定轴:

d3 = numpy.tensordot(a,b, axes=([1,0],[0,1])) 

所以这个einsum方法非常通用,可用于快捷方式for循环(如果你在python中执行它们会很慢),并且对于时髦的张量东西非常有趣

有关详细信息,请参阅http://docs.scipy.org/doc/numpy/reference/generated/numpy.tensordot.htmlhttp://docs.scipy.org/doc/numpy/reference/generated/numpy.einsum.html