numpy中matrix和array的區別

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]]

c=np.array([[4, 3], [2, 1]])

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

print(np.dot(c,d))

# [[13 20]
# [ 5 8]]

問題就出來了，如果乙個程式裡面既有matrix 又有array，會讓人腦袋大。但是如果只用array，你不僅可以實現matrix所有的功能，還減少了程式設計和閱讀的麻煩。

當然你可以通過下面的兩條命令輕鬆的實現兩者之間的轉換：np.asmatrix和np.asarray

對我來說，numpy 中的array與numpy中的matrix，在做歸約運算時，array的維數會發生變化，但matrix總是保持為2維。例如下面求平均值的運算

>>> 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]])

>>> 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]])

a = np.array([[1,2],

[3,4]])
print(a,a.shape)
print(a.mean(axis=1)) #每一行求均值
print(a.mean(axis=0)) #每一列求均值

[[1 2]

[3 4]] (2, 2)

[1.5 3.5]

[2. 3.]

numpy中常見的歸約運算和切片操作

import numpy as np

aa = np.ones((5,3),np.int64)
print(aa)
bb = aa[2, :] #擷取矩陣第二行
print(bb.shape)

[[1 1 1]

[1 1 1]
[1 1 1]
[1 1 1]
[1 1 1]]
(3,)

NumPy中ndarray和matrix的四則運算

numpy中最重要的類是ndarray，顧名思義，即多維陣列。import numpy as np行向量 a np.array 1,2,3 a.shape 3l,列向量 b np.array 1 2 3 b.shape 3l,1l 二維矩陣 m np.array 1,2,3 4,5,6 7,8,9 ...

論numpy中matrix 和 array的區別

論numpy中matrix 和 array的區別 csdn部落格 2014年03月07日 16 26 55 numpy matrices必須是2維的,但是 numpy arrays ndarrays 可以是多維的 1d，2d，3d nd matrix是array的乙個小的分支，包含於array。所以...

numpy中matrix 和 array的區別

numpy matrices必須是2維的,但是 numpy arrays ndarrays 可以是多維的 1d，2d，3d nd matrix是array的乙個小的分支，包含於array。所以matrix 擁有array的所有特性。所以 在sklearn 中如果傳入的特徵只有乙個，要使用x.valu...