Jakie są różnice między tablicami numpy i macierzami? Którego powinienem użyć?

Macierze Numpy są ściśle dwuwymiarowe, podczas gdy tablice numpy (ndarrays) są N-wymiarowe. Obiekty macierzy są podklasą ndarray, więc dziedziczą wszystkie atrybuty i metody ndarrays.

Główną zaletą macierzy numpy jest to, że zapewniają wygodną notację dla mnożenia macierzy: Jeśli a i b są macierzami, to a*b jest ich macierzą produkt.

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]]

Z drugiej strony, począwszy od Pythona 3.5, NumPy obsługuje mnożenie macierzy infiksowych za pomocą @ operator, dzięki czemu można osiągnąć taką samą wygodę mnożenia macierzy z ndarrays w Pythonie > = 3.5.

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]]

Obie macierze i ndarray mają .T zwracać transpozycję, ale macierz obiekty mają również .H dla transpozycji sprzężonej i .I dla odwrotności.

Natomiast tablice numpy konsekwentnie przestrzegają reguły, że operacje są zastosowany w elemencie (z wyjątkiem nowego operatora @). Tak więc, jeśli a i b są tablicami numerycznymi, to a*b jest array utworzony przez mnożenie elementów składowych:

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

Aby uzyskać wynik mnożenia macierzy, użyj np.dot (lub @ w Pythonie > = 3.5, jak pokazano powyżej):

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

Operator ** zachowuje się również inaczej:

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

Ponieważ a jest macierzą, a**2 Zwraca iloczyn macierzy a*a. Ponieważ c jest ndarray, c**2 zwraca ndarray z każdym składnikiem do kwadratu żywioł.

Istnieją inne różnice techniczne między matrix objects and ndarrays (mając do czynienia z np.ravel, wybór pozycji i zachowanie sekwencji).

Główną zaletą tablic numpy jest to, że są one bardziej ogólne niż Macierze dwuwymiarowe. Co się dzieje, gdy chcesz trójwymiarową tablicę? Wtedy musisz użyć ndarray, a nie obiektu matrix. W ten sposób nauka posługiwania się matrycą obiektów jest więcej pracy - trzeba nauczyć się operacji obiektowych macierzy, A ndarray operations.

Pisanie programu używającego zarówno macierzy jak i tablic utrudnia Ci życie ponieważ musisz śledzić, jakiego typu obiektu są Twoje zmienne, aby mnożenie zwraca coś, czego się nie spodziewasz.

W przeciwieństwie, jeśli trzymać się wyłącznie z ndarrays, to można zrobić wszystko matrix obiektów może zrobić, i Więcej, z wyjątkiem nieco inny funkcje / notacja.

Jeśli chcesz zrezygnować z atrakcyjności wizualnej produktu NumPy matrix notacji (co można osiągnąć prawie tak elegancko z ndarrays w Pythonie > = 3.5), więc myślę, że tablice NumPy są zdecydowanie drogą do zrobienia.

PS. Oczywiście nie musisz wybierać jednego kosztem drugiego, ponieważ np.asmatrix i np.asarray pozwalają na konwersję jednego na drugi (jako o ile tablica jest dwuwymiarowa).

Jest podsumowanie różnic pomiędzy NumPy arrays A NumPy matrixes tutaj .