numpy
没有单独的“向量”概念,与“矩阵”分开。它确实有“矩阵”和“数组”的不同概念,但大多数人都完全避免使用矩阵表示。如果您使用数组,则“向量”、“矩阵”和“张量”的概念都包含在数组的“形状”属性下。
在这个视角中,向量和矩阵都是二维数组,只是它们的形状不同。行向量是具有形状(1, n)
的数组,而列向量是具有形状(n, 1)
的数组。矩阵是具有形状(n, m)
的数组。 1维数组有时可以像向量一样工作,具体取决于上下文,但通常情况下,您会发现除非升级它们,否则无法获得所需结果。
有了这些想法,以下是您问题的一个可能答案。首先,我们创建一个1D数组:
>>> a1d = numpy.array([1, 2, 3])
>>> a1d
array([1, 2, 3])
现在,我们将其重塑为一个列向量。这里的 -1
告诉 numpy
根据输入自动确定正确的大小。
>>> vcol = a1d.reshape((-1, 1))
>>> vcol
array([[1],
[2],
[3]])
观察这个句子开头和结尾的双括号。这是一个微妙的提示,表明这是一个二维数组,即使其中一个维度只有1个大小。
我们可以通过交换维度来得到一行。同样注意双括号。
>>> vrow = a1d.reshape((1, -1))
>>> vrow
array([[1, 2, 3]])
您可以看出这些是二维数组,因为一维数组在其shape
元组中只有一个值:
>>> a1d.shape
(3,)
>>> vcol.shape
(3, 1)
>>> vrow.shape
(1, 3)
要从列向量构建矩阵,我们可以使用hstack
。还有许多其他可能更快的方法,但这是一个很好的起点。在这里,请注意[vcol]
不是numpy
对象,而是普通的python列表,因此[vcol] * 3
的意思与[vcol, vcol, vcol]
相同。
>>> mat = numpy.hstack([vcol] * 3)
>>> mat
array([[1, 1, 1],
[2, 2, 2],
[3, 3, 3]])
vstack
从行向量中给出了相同的结果。
>>> mat2 = numpy.vstack([vrow] * 3)
>>> mat2
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
很少有其他关于“从矩阵的向量构建矩阵”的解释能够在numpy中生成你真正想要的结果!
既然你提到想进行线性代数,这里有几个可能的操作。这假设你使用的是足够新的Python版本以使用新的@运算符,它提供了一个清晰的内联表示法来进行数组的矩阵乘法。
1
对于数组,乘法始终是逐元素的。但有时会进行广播。对于形状相同的值,它就是纯粹的逐元素乘法:
>>> vrow * vrow
array([[1, 4, 9]])
>>> vcol * vcol
array([[1],
[4],
[9]])
当值的形状不同时,如果可能,它们将一起进行广播以产生一个合理的结果:
>>> vrow * vcol
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
>>> vcol * vrow
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
广播在处理其他形状时也是按照您期望的方式进行的:
>>> vrow * mat
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
>>> vcol * mat
array([[1, 1, 1],
[4, 4, 4],
[9, 9, 9]])
如果您想要进行点积运算,您需要使用
@
操作符:
>>> vrow @ vcol
array([[14]])
请注意,与
*
运算符不同,这个运算符不是对称的:
>>> vcol @ vrow
array([[1, 2, 3],
[2, 4, 6],
[3, 6, 9]])
一开始可能会有点困惑,因为这看起来和 vrow * vcol
是一样的,但是不要被骗了。无论参数的顺序如何,*
都会产生相同的结果。最后,对于矩阵向量乘积:
>>> mat @ vcol
array([[ 6],
[12],
[18]])
再次观察@
和*
之间的区别:
>>> mat * vcol
array([[1, 1, 1],
[4, 4, 4],
[9, 9, 9]])
1. 不幸的是,这只存在于 Python 3.5 及以上版本。如果您需要使用早期版本,则所有建议都适用,但是您必须使用 np.dot(a, b)
代替内联符号a @ b
。numpy
的 matrix
类型将 *
覆盖为像 @
一样的行为...但是您不能以相同的方式执行元素级乘法或广播!因此,即使您拥有早期版本,我也不建议使用 matrix
类型。
np.ndarray
吗?主要区别在于,NumPy矩阵的乘法遵循通常的线性代数规则,而如果你将两个兼容形状的2D ndarrays相乘,则会得到逐元素乘法。如果你不进行线性代数运算,几乎肯定需要一个ndarray而不是矩阵。 - Mark Dickinson