numpy数组和矩阵有什么区别？ 我应该使用哪个？

每种都有哪些优势和缺点？

从我所看到的状况来看，若是须要的话，任何一个均可以替代另外一个，因此我应该同时使用这两个仍是应该坚持使用其中一个？

程序的样式会影响个人选择吗？ 我正在使用numpy进行一些机器学习，所以确实有不少矩阵，但也有不少向量（数组）。

---

#1楼

Scipy.org建议您使用数组：

*'array'或'matrix'？ 我应该使用哪一个？ -简短答案

使用数组。

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

• 在逐元素运算和线性代数运算之间有明显的区别。

• 若是愿意，能够有标准向量或行/列向量。

使用数组类型的惟一缺点是，您将不得不使用dot而不是*来乘（减小）两个张量（标量积，矩阵向量乘法等）。

---

#2楼

正如其余人提到的那样， matrix的主要优势也许是它为矩阵乘法提供了一种方便的表示法。

可是， 在Python 3.5中，终于有了一个专用的infix运算符用于矩阵乘法 ： @ 。

在最新的NumPy版本中，它能够与ndarray一块儿使用：

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

所以，现在，若是有更多疑问，您应该坚持使用ndarray 。

---

#3楼

numpy矩阵严格是二维的，而numpy数组（ndarrays）是N维的。 矩阵对象是ndarray的子​​类，所以它们继承了ndarray的全部属性和方法。

numpy矩阵的主要优势是它们为矩阵乘法提供了一种方便的表示法：若是a和b是矩阵，则a * b是它们的矩阵乘积。

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]]

另外一方面，从Python 3.5开始，NumPy使用@运算符支持中缀矩阵乘法，所以您能够在Python> = 3.5中使用ndarrays实现相同的矩阵乘法便利。

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ndarray都具备.T以返回转置，可是矩阵对象也具备.H表示共轭转置，而.I表示逆转。

相反，numpy数组始终遵照以元素为单位应用操做的规则（新的@运算符除外）。 所以，若是a和b是numpy数组，则a*b是经过逐个乘以组件而造成的数组：

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

要得到矩阵乘法的结果，请使用np.dot （或在Python> = 3.5中使用@ ，如上所示）：

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

**运算符的行为也有所不一样：

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

因为a是矩阵，所以a**2返回矩阵乘积a*a 。 因为c是一个ndarray，所以c**2返回一个ndarray，每一个组件的元素均平方。

矩阵对象和ndarray之间还有其余技术区别（与np.ravel，项目选择和序列行为有关）。

numpy数组的主要优势是它们比二维矩阵更通用。 当您须要3维数组时会发生什么？ 而后，您必须使用ndarray，而不是矩阵对象。 所以，学习使用矩阵对象的工做量更大-您必须学习矩阵对象操做和ndarray操做。

编写同时使用矩阵和数组的程序会使您的生活变得困难，由于您必须跟踪变量是什么类型的对象，以避免乘法返回意外的结果。

相反，若是仅使用ndarray，则能够执行矩阵对象能够执行的全部操做，以及更多操做，但功能/符号略有不一样。

若是您愿意放弃NumPy矩阵产品表示法的视觉吸引力（使用python> = 3.5的ndarrays几乎能够优雅地实现），那么我认为NumPy数组绝对是可行的方法。

PS。 固然，因为np.asmatrix和np.asarray容许您将一个转换为另外一个（只要数组是二维的），所以您实际上没必要选择一个来牺牲另外一个。

---

还有就是与NumPy之间的差别大纲arrays VS NumPy的matrix ES 在这里 。

---

#4楼

只是将一个案例添加到unutbu的列表中。

与numpy矩阵或矩阵语言（如matlab）相比，numpy ndarray对我而言最大的实际差别之一是，在归约运算中未保留维。 矩阵始终为2d，而数组的均值则少一维。

例如，矩阵或数组的行为不佳的行：

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]])

带阵列

>>> 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会带来不少“快乐的”调试时间。 可是，就乘法而言，scipy.sparse矩阵始终是矩阵。