อะไรคือความแตกต่างระหว่างอาร์เรย์ numpy และเมทริกซ์? ฉันควรใช้อันไหนดี

ข้อดีและข้อเสียของแต่ละข้อคืออะไร

จากสิ่งที่ฉันได้เห็นคนใดคนหนึ่งสามารถทำงานแทนคนอื่นได้ถ้าต้องการดังนั้นฉันควรจะใช้ทั้งสองอย่างหรือติดอยู่กับคนใดคนหนึ่ง?

รูปแบบของโปรแกรมจะมีผลต่อการเลือกของฉันหรือไม่? ฉันกำลังเรียนรู้เครื่องจักรด้วยการใช้ numpy ดังนั้นจึงมีเมทริกซ์จำนวนมาก แต่มีเวกเตอร์จำนวนมาก (อาร์เรย์)

ตามเอกสารทางการไม่แนะนำให้ใช้คลาสเมทริกซ์อีกต่อไปเนื่องจากจะถูกลบออกในอนาคต

https://numpy.org/doc/stable/reference/generated/numpy.matrix.html

ตามที่คำตอบอื่น ๆ ระบุไว้แล้วว่าคุณสามารถบรรลุการดำเนินการทั้งหมดด้วย NumPy arrays

Numpy matricesเป็น 2 มิติอย่างเคร่งครัดในขณะที่ numpy arrays (ndarrays) เป็น N-dimension วัตถุเมทริกซ์เป็นคลาสย่อยของ ndarray ดังนั้นพวกเขาจึงสืบทอดคุณสมบัติและวิธีการของ ndarray ทั้งหมด

ข้อได้เปรียบหลักของเมทริกซ์ numpy ก็คือพวกมันให้สัญกรณ์ที่สะดวกสำหรับการคูณเมทริกซ์: ถ้า a และ b เป็นเมทริกซ์a*bนั่นคือผลคูณเมทริกซ์ของพวกมัน

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]]

ในทางตรงกันข้ามในฐานะของ Python 3.5 NumPy รองรับการคูณเมทริกซ์ infix โดยใช้@โอเปอเรเตอร์ดังนั้นคุณจะได้รับความสะดวกสบายเหมือนกันกับการคูณเมทริกซ์กับ ndarrays ใน Python> = 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]]

ทั้งเมทริกซ์ออบเจ็กต์และ ndarrays จะต้อง.Tส่งคืนทรานสโพสต์ แต่วัตถุเมทริกซ์ก็มี.Hไว้สำหรับคอนจูเกตทรานสคูนและ.Iอินเวอร์ส

ในทางตรงกันข้ามอาร์เรย์ numpy ปฏิบัติตามกฎที่การดำเนินการถูกนำไปใช้องค์ประกอบที่ชาญฉลาด (ยกเว้นสำหรับ@ผู้ประกอบการใหม่) ดังนั้นถ้าaและbเป็นอาร์เรย์ numpy แล้วa*bอาร์เรย์ที่เกิดขึ้นจากการคูณองค์ประกอบองค์ประกอบที่ชาญฉลาด:

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

ในการรับผลลัพธ์ของการคูณเมทริกซ์คุณใช้np.dot(หรือ@ใน Python> = 3.5 ดังที่แสดงด้านบน):

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

ตัว**ดำเนินการยังทำงานแตกต่างกัน:

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

ตั้งแต่aเป็นเมทริกซ์ผลตอบแทนผลิตภัณฑ์แมทริกซ์a**2 a*aเนื่องจากcเป็น ndarray ให้c**2ส่งคืน ndarray ด้วยองค์ประกอบแต่ละองค์ประกอบกำลังสองที่ชาญฉลาด

มีความแตกต่างทางเทคนิคอื่น ๆ ระหว่างวัตถุเมทริกซ์และ ndarrays (เกี่ยวข้องกับการnp.ravelเลือกรายการและพฤติกรรมการเรียงลำดับ)

ประโยชน์หลักของอาร์เรย์ numpy คือพวกเขามีทั่วไปมากขึ้นกว่าการฝึกอบรม จะเกิดอะไรขึ้นเมื่อคุณต้องการอาร์เรย์สามมิติ ถ้าอย่างนั้นคุณต้องใช้ ndarray ไม่ใช่วัตถุเมทริกซ์ ดังนั้นการเรียนรู้ที่จะใช้วัตถุเมทริกซ์เป็นงานที่มากขึ้น - คุณต้องเรียนรู้การทำงานของวัตถุเมทริกซ์และการดำเนินการตามลำดับ

การเขียนโปรแกรมที่ผสมทั้งเมทริกซ์และอาเรย์ทำให้ชีวิตของคุณลำบากเพราะคุณต้องคอยติดตามว่าวัตถุของคุณเป็นตัวแปรประเภทใดเพื่อไม่ให้การคูณทวีคืนสิ่งที่คุณไม่คาดคิด

ในทางตรงกันข้ามหากคุณยึดติดกับ ndarrays เพียงอย่างเดียวคุณสามารถทำทุกสิ่งที่วัตถุเมทริกซ์สามารถทำได้และอื่น ๆ ยกเว้นฟังก์ชั่น / สัญกรณ์ที่แตกต่างกันเล็กน้อย

หากคุณยินดีที่จะยอมแพ้การดึงดูดสายตาของสัญกรณ์ผลิตภัณฑ์ NumPy matrix (ซึ่งสามารถทำได้เกือบจะหรูหราด้วย ndarrays ใน Python> = 3.5) ฉันคิดว่าอาร์เรย์ของ NumPy เป็นหนทางที่แน่นอนที่จะไป

PS แน่นอนคุณจริงๆไม่ต้องเลือกอย่างใดอย่างหนึ่งที่ค่าใช้จ่ายของคนอื่นตั้งแต่np.asmatrixและnp.asarrayช่วยให้คุณสามารถแปลงหนึ่งไปยังอีก (ตราบเท่าที่อาร์เรย์ 2 มิติ)

มีบทสรุปของความแตกต่างระหว่าง NumPy คือarraysVS NumPy matrixes นี่

Scipy.org แนะนำให้คุณใช้อาร์เรย์:

* 'array' หรือ 'matrix'? ฉันควรใช้อันไหนดี? - คำตอบสั้น ๆ

ใช้อาร์เรย์

• เป็นเวกเตอร์ / เมทริกซ์ / เทนเซอร์ประเภทมาตรฐาน ฟังก์ชันส่งคืนอาร์เรย์จำนวนมากไม่ใช่เมทริกซ์

• มีความแตกต่างที่ชัดเจนระหว่างการทำงานขององค์ประกอบที่ชาญฉลาดและการดำเนินงานพีชคณิตเชิงเส้น

• คุณสามารถมีเวกเตอร์มาตรฐานหรือเวกเตอร์แถว / คอลัมน์ได้ถ้าต้องการ

ข้อเสียเพียงอย่างเดียวของการใช้ประเภทอาเรย์คือคุณจะต้องใช้dotแทน*การคูณ (ลด) เทนเซอร์สองตัว (ผลิตภัณฑ์สเกลาร์, การคูณเมทริกซ์เวกเตอร์ ฯลฯ )

เพียงเพิ่มกรณีหนึ่งไปยังรายการของ unutbu

หนึ่งในความแตกต่างในทางปฏิบัติที่ใหญ่ที่สุดสำหรับฉันของ numpy ndarrays เมื่อเปรียบเทียบกับเมทริกซ์ numpy หรือภาษาเมทริกซ์เช่น matlab คือมิติไม่ได้ถูกสงวนไว้ในการลดการดำเนินการ เมทริกซ์จะเป็น 2d เสมอในขณะที่ค่าเฉลี่ยของอาร์เรย์มีน้อยกว่าหนึ่งมิติ

ตัวอย่างเช่นแถว demean ของเมทริกซ์หรืออาร์เรย์:

ด้วยเมทริกซ์

>>> 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]])

กับอาร์เรย์

>>> 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]])

ฉันยังคิดว่าการผสมอาร์เรย์และเมทริกซ์ก่อให้เกิดชั่วโมงการดีบักที่ "มีความสุข" มากมาย อย่างไรก็ตาม scipy.sparse เมทริกซ์เป็นเมทริกซ์เสมอในแง่ของตัวดำเนินการเช่นการคูณ

ดังที่คนอื่น ๆ พูดถึงบางทีข้อได้เปรียบหลักของmatrixมันคือมันให้สัญกรณ์ที่สะดวกสำหรับการคูณเมทริกซ์

อย่างไรก็ตามในหลาม 3.5 มีในที่สุดผู้ประกอบการมัดเฉพาะสำหรับคูณเมทริกซ์@ :

ด้วยเวอร์ชัน NumPy ล่าสุดสามารถใช้กับndarrays:

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

ndarrayดังนั้นในปัจจุบันมากยิ่งขึ้นเมื่อมีข้อสงสัยคุณควรจะติด