numpy數組和矩陣有什麼區別？ 我應該使用哪個？

每種都有哪些優勢和缺點？

從我所看到的狀況來看，若是須要的話，任何一個均可以替代另外一個，因此我應該同時使用這兩個仍是應該堅持使用其中一個？

程序的樣式會影響個人選擇嗎？ 我正在使用numpy進行一些機器學習，所以確實有不少矩陣，但也有不少向量（數組）。

---

#1樓

Scipy.org建議您使用數組：

*'array'或'matrix'？ 我應該使用哪一個？ -簡短答案

使用數組。

• 它們是numpy的標準向量/矩陣/張量類型。 許多numpy函數返回數組，而不是矩陣。

• 在逐元素運算和線性代數運算之間有明顯的區別。

• 若是願意，能夠有標準向量或行/列向量。

使用數組類型的惟一缺點是，您將不得不使用dot而不是*來乘（減小）兩個張量（標量積，矩陣向量乘法等）。

---

#2樓

正如其餘人提到的那樣， matrix的主要優勢也許是它爲矩陣乘法提供了一種方便的表示法。

可是， 在Python 3.5中，終於有了一個專用的infix運算符用於矩陣乘法 ： @ 。

在最新的NumPy版本中，它能夠與ndarray一塊兒使用：

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

所以，現在，若是有更多疑問，您應該堅持使用ndarray 。

---

#3樓

numpy矩陣嚴格是二維的，而numpy數組（ndarrays）是N維的。 矩陣對象是ndarray的子​​類，所以它們繼承了ndarray的全部屬性和方法。

numpy矩陣的主要優勢是它們爲矩陣乘法提供了一種方便的表示法：若是a和b是矩陣，則a * b是它們的矩陣乘積。

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，從Python 3.5開始，NumPy使用@運算符支持中綴矩陣乘法，所以您能夠在Python> = 3.5中使用ndarrays實現相同的矩陣乘法便利。

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]]

矩陣對象和ndarray都具備.T以返回轉置，可是矩陣對象也具備.H表示共軛轉置，而.I表示逆轉。

相反，numpy數組始終遵照以元素爲單位應用操做的規則（新的@運算符除外）。 所以，若是a和b是numpy數組，則a*b是經過逐個乘以組件而造成的數組：

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

要得到矩陣乘法的結果，請使用np.dot （或在Python> = 3.5中使用@ ，如上所示）：

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

**運算符的行爲也有所不一樣：

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

因爲a是矩陣，所以a**2返回矩陣乘積a*a 。 因爲c是一個ndarray，所以c**2返回一個ndarray，每一個組件的元素均平方。

矩陣對象和ndarray之間還有其餘技術區別（與np.ravel，項目選擇和序列行爲有關）。

numpy數組的主要優勢是它們比二維矩陣更通用。 當您須要3維數組時會發生什麼？ 而後，您必須使用ndarray，而不是矩陣對象。 所以，學習使用矩陣對象的工做量更大-您必須學習矩陣對象操做和ndarray操做。

編寫同時使用矩陣和數組的程序會使您的生活變得困難，由於您必須跟蹤變量是什麼類型的對象，以避免乘法返回意外的結果。

相反，若是僅使用ndarray，則能夠執行矩陣對象能夠執行的全部操做，以及更多操做，但功能/符號略有不一樣。

若是您願意放棄NumPy矩陣產品表示法的視覺吸引力（使用python> = 3.5的ndarrays幾乎能夠優雅地實現），那麼我認爲NumPy數組絕對是可行的方法。

PS。 固然，因爲np.asmatrix和np.asarray容許您將一個轉換爲另外一個（只要數組是二維的），所以您實際上沒必要選擇一個來犧牲另外一個。

---

還有就是與NumPy之間的差別大綱arrays VS NumPy的matrix ES 在這裏 。

---

#4樓

只是將一個案例添加到unutbu的列表中。

與numpy矩陣或矩陣語言（如matlab）相比，numpy ndarray對我而言最大的實際差別之一是，在歸約運算中未保留維。 矩陣始終爲2d，而數組的均值則少一維。

例如，矩陣或數組的行爲不佳的行：

帶矩陣

>>> 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]])

帶陣列

>>> 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]])

我還認爲混合數組和矩陣會帶來不少「快樂的」調試時間。 可是，就乘法而言，scipy.sparse矩陣始終是矩陣。