从机器学习学python（四）——numpy矩阵基础

从机器学习学python（四）

——numpy矩阵基础

（原创内容，转载请注明来源，谢谢）

一、numpy中matrix和array的区别

Numpymatrices必须是2维的,但是numpy arrays (ndarrays)可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix拥有array的所有特性。

在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。

即用matrix计算时，加减乘除都是矩阵运算，而不是简单的运算。

二、矩阵和数组的转换

数组转矩阵：A＝mat(s[])；矩阵转换数组：s[]＝A.getA()

举例：

s=[[4,2],[3,2],[3,1]]

A =mat(s)

A

matrix([[4, 2],

[3, 2],

[3, 1]])

ss = A.getA()

ss

array([[4, 2],

[3, 2],

[3, 1]])

三、转置和轴对换

转置有三种方式，transpose方法、T属性以及swapaxes方法。

1、T属性

主要是针对二维数组，二维数组的T属性即转置。例如b=a.T表示矩阵b是矩阵a的转置。

2、transpose()

对于高维数组，转置需要确定转置方式。首先，矩阵的每个维度有个编号，从开始编号，例如三维矩阵，则三个维度的编号分别是、1、2。

a.transpose(0,1,2)即为a，表示a没有转置。a.transpose()则等价于a.transpose(2,1,1)，表示完全的转置。而例如a.transpose(0,2,1)表示第三维和第二维进行的转换。

3、swapaxes()

这个方法和transpose方法类似，区别在于这个方法只接收两个参数，表示指定的两个维度的转换。例如a.swapaxes(1,2)等价于a.transpose(0,2,1)。注意到这里维度也是从开始当作第一维的。

——written by linhxx 2018.01.17