Question

每种方法的优点和缺点是什么？

从我所看到的情况来看，如果需要的话，任何一个都可以作为另一个的替代品，那么我是否应该使用它们或者我应该只坚持其中一个？

该计划的风格会影响我的选择吗？我正在使用numpy做一些机器学习，所以确实有很多矩阵，但也有很多向量（数组）。

Answer 1

Numpy矩阵是严格的二维矩阵，而numpy数组（ndarrays）是 N维。 Matrix对象是ndarray的子类，因此它们继承了所有 ndarrays的属性和方法。

numpy矩阵的主要优点是它们提供了方便的符号对于矩阵乘法：如果a和b是矩阵，则a * b是它们的矩阵产品

import numpy as np

a=np.mat('4 3; 2 1')
b=np.mat('1 2; 3 4')
print(a)
# [[4 3]
#  [2 1]]
print(b)
# [[1 2]
#  [3 4]]
print(a*b)
# [[13 20]
#  [ 5  8]]

另一方面，从Python 3.5开始，NumPy使用@运算符支持中缀矩阵乘法，因此您可以使用Python＆gt; = 3.5中的ndarrays实现矩阵乘法的相同方便。

import numpy as np

a=np.array([[4, 3], [2, 1]])
b=np.array([[1, 2], [3, 4]])
print(a@b)
# [[13 20]
#  [ 5  8]]

矩阵对象和ndarray都有.T来返回转置，但矩阵对象也有.H用于共轭转置，而.I用于反向转换。

相比之下，numpy数组始终遵循操作规则应用元素（新的@运算符除外）。因此，如果a和b是numpy数组，那么a*b就是数组通过元素乘以组件形成：

c=np.array([[4, 3], [2, 1]])
d=np.array([[1, 2], [3, 4]])
print(c*d)
# [[4 6]
#  [6 4]]

要获得矩阵乘法的结果，请使用np.dot（或Python中的@＆gt; = 3.5，如上所示）：

print(np.dot(c,d))
# [[13 20]
#  [ 5  8]]

**运算符的行为也不同：

print(a**2)
# [[22 15]
#  [10  7]]
print(c**2)
# [[16  9]
#  [ 4  1]]

由于a是一个矩阵，a**2会返回矩阵乘积a*a。由于c是一个ndarray，c**2返回一个ndarray，每个组件的平方逐元素。

矩阵对象和ndarray之间还存在其他技术差异（与np.ravel，项目选择和序列行为有关。）

numpy数组的主要优点是它们更通用二维矩阵。当你想要一个三维数组时会发生什么？然后你必须使用ndarray，而不是矩阵对象。因此，学习使用矩阵对象更多的工作 - 你必须学习矩阵对象操作，和 ndarray的运作。

编写一个同时使用矩阵和数组的程序会让你的生活变得困难因为你必须跟踪你的变量是什么类型的对象，以免乘法返回你不期望的东西。

相比之下，如果你坚持使用ndarrays，那么你可以做任何事情矩阵对象可以做多，除了略有不同功能/符号。

如果您愿意放弃NumPy矩阵产品的视觉吸引力符号（在Python中使用ndarrays可以很好地实现＆gt; = 3.5），然后我认为NumPy数组肯定是要走的路。

PS。当然，你真的不必以牺牲另一个为代价来选择一个，因为np.asmatrix和np.asarray允许您将一个转换为另一个（作为只要数组是二维的。）

NumPy arrays与NumPy matrix es here之间存在差异概要。

Answer 2

Scipy.org recommends that you use arrays:

*'array'或'matrix'？我应该使用哪个？ - 简短回答

使用数组。



它们是numpy的标准矢量/矩阵/张量类型。许多numpy函数返回数组，而不是矩阵。



元素操作和元素之间有明显的区别   线性代数运算。



如果您愿意，可以使用标准向量或行/列向量。



使用数组类型的唯一缺点是你必须这样做   使用dot代替*来乘以（减少）两个张量（标量积，   矩阵向量乘法等。）。

Answer 3

只需将一个案例添加到unutbu的列表中。

与numpy矩阵或matlab等矩阵语言相比，numpy ndarray的最大实际差异之一是，维度不会在reduce操作中保留。矩阵总是2d，而数组的平均值只有一个维度。

例如，矩阵或数组的demean行：

带矩阵

>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
        [2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
        [ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5,  0.5],
        [-0.5,  0.5]])

with array

>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
       [2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5,  2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
       [ 0.5,  0.5]])
>>> a - am[:, np.newaxis]  #right
array([[-0.5,  0.5],
       [-0.5,  0.5]])

我还认为混合数组和矩阵可以产生许多“快乐”的调试时间。但是，scipy.sparse矩阵总是就乘法运算符而言是矩阵。

Answer 4

正如其他人所提到的，也许matrix的主要优点是它为矩阵乘法提供了方便的符号。

但是，in Python 3.5 there is finally a dedicated infix operator for matrix multiplication：@。

使用最近的NumPy版本，它可以与ndarray s：

一起使用

A = numpy.ones((1, 3))
B = numpy.ones((3, 3))
A @ B

所以现在，甚至更多，如果有疑问，你应该坚持ndarray。

Answer 5

根据官方文档，不再建议使用矩阵类，因为将来会删除它。

https://numpy.org/doc/stable/reference/generated/numpy.matrix.html

其他答案已经表明您可以使用NumPy数组实现所有操作。

numpy数组和矩阵之间有什么区别？我应该使用哪一个？

5 个答案: