- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
各有什么优缺点?
据我所见,如果需要,任何一个都可以替代另一个,所以我应该同时使用两者还是只使用其中一个?
节目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)。
最佳答案
Numpy 矩阵 是严格二维的,而 numpy arrays (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表示法对于矩阵乘法: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 支持使用 @
运算符的中缀矩阵乘法,因此您可以在 Python >= 3.5 中实现与 ndarrays 矩阵乘法相同的便利。
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ndarrays都有.T
来返回转置,但是矩阵对象也有 .H
用于共轭转置,以及 .I
用于反转。
相比之下,numpy 数组始终遵守操作是按元素应用(新的 @
运算符除外)。因此,如果 a
和 b
是 numpy 数组,则 a*b
是数组通过逐元素相乘形成:
c = np.array([[4, 3], [2, 1]])
d = np.array([[1, 2], [3, 4]])
print(c*d)
# [[4 6]
# [6 4]]
要获得矩阵相乘的结果,你使用np.dot
(或Python >= 3.5中的@
,如上图):
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
返回矩阵乘积a*a
。由于 c
是一个 ndarray,c**2
返回一个 ndarray,每个组件都是平方的逐元素。
矩阵对象和 ndarray 之间还有其他技术差异(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比二维矩阵。当你想要一个 3 维数组时会发生什么?然后您必须使用 ndarray,而不是矩阵对象。因此,学习使用矩阵对象是更多的工作 - 你必须学习矩阵对象操作,并且ndarray 操作。
编写一个混合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,以免乘法会返回你意想不到的结果。
相比之下,如果你只坚持使用 ndarrays,那么你可以做任何事情矩阵对象可以做,而且更多,除了略有不同函数/符号。
如果你愿意放弃 NumPy 矩阵产品的视觉吸引力表示法(这几乎可以用 Python >= 3.5 中的 ndarrays 优雅地实现),那么我认为 NumPy 数组绝对是要走的路。
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(如只要数组是二维的)。
NumPy arrays
vs NumPy matrix
es 的区别有一个概要 here .
关于python - numpy 数组和矩阵有什么区别?我应该使用哪一个?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4151128/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!