Python矩阵相乘
Posted Dfreedom.
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python矩阵相乘相关的知识，希望对你有一定的参考价值。
目录
1 引言
矩阵相乘分为叉乘和点乘，叉乘就是矩阵的乘法，指矩阵A的第一行乘以矩阵B的第一列，各个元素对应相乘后求和作为第一个元素的值。能够进行叉乘运算的场景：A的行数等于B的列数。
矩阵的点乘就是矩阵A和矩阵B各个对应元素的相乘。能够进行点乘运算的场景：①A和B的行向量个数相等；② A和B的列向量的个数相等；③ A和B的行向量和列向量都相等。
在matlab里面实现点乘用“.*”，实现叉乘用“*”，非常清晰明了。但是在Python里面实现矩阵相乘时经常会报错，原因是在Python里面向量和矩阵的概念和数学里面的概念有点差异。
2 Python里向量和矩阵的概念
Pyhton的向量和矩阵是严格区分开来的，这个和数学上（或者Matlab里）的概念是不一样的：
向量：一维；
矩阵：最少是二维。
举例：
import numpy as np
A=np.array([1,2,3]) #一维向量，shape=(3,)
B=np.array([[1,2,3]]) #二维数组，shape=(1,3)
print(f'A=A')
print(f'B=B')
print(f'A.shape=A.shape')
print(f'B.shape=B.shape')
print(f'A.T=A.T')
print(f'B.T=B.T')运行结果如下：
A=[1 2 3]
B=[[1 2 3]]
A.shape=(3,)
B.shape=(1, 3)
A.T=[1 2 3]
B.T=
[[1]
[2]
[3]]代码中：
① A是向量，其shape为(3,)；其B是行数为1的二维数组，其shape为(1,3)；
② 向量没有转置的概念。A的转置还是A，而B的转置是从行数为1的二维数组变成了列数为1的二维数组，这一点和matlab里面是不一样的。
由于以上两点原因，在计算矩阵相乘时，初学者很容易犯错。
3 矩阵相乘——Python
一般情况下，矩阵相乘会有以下三种想要的结果：
① 对位乘积：两个矩阵shape相同，各元素对应相乘，结果是一个相同shape的矩阵
② 矩阵乘法：数学上的矩阵乘法，结果是一个矩阵
③ 向量内积：对应元素相乘，再相加，结果是一个数值
对应的实现方式如下：
① 对位乘积： a*b 、multiply(a,b)
② 矩阵乘积： dot(a,b) 、matmul(a,b) 、a@b
③ 向量内积： dot(a,b)、a@b 当a,b均为一维向量
实际上对位乘积采用的是点乘，矩阵乘积或者向量内积采用的是叉乘。
4 Python矩阵相乘举例说明
从Python里面向量和矩阵的概念可知，向量和矩阵可以分为三种形式：一维向量、行数为1或者列数为1的二维矩阵、行数和行数均大于等于2的二维矩阵。对于初学者来说很容易把一维向量和行数为1或者列数为1的二维矩阵弄混，从而导致矩阵相乘出错。本文介绍了一种可以适用所有情况的矩阵相乘的表示方法，即只要能先将A和B的形式定义清楚，就能在实现点乘和叉乘时不出错。
矩阵的乘法有三种情况对位乘积、矩阵乘法、向量内积。对位乘积的结果是一个矩阵，矩阵乘法的乘积是一个矩阵，向量内积的结果是一个数，所以A和B的形式定义的思路如下：
① 对于对位乘积、矩阵乘法，其应用对象是矩阵，当A和B其中任意一个为向量时，先将向量转换成行数为1或者列数为1的二维矩阵，再参与运算；
② 对于向量内积，其应用对象是向量，当A和B其中任意一个为行数为1或者列数为1的二维矩阵时，先将行数为1或者列数为1的二维矩阵转换成一维向量，再参与运算；
只要遵守上述两点原则，矩阵相乘就不会出错。实现上述两点的语法如下：
① 向量转二维矩阵，采用newaxis：
import numpy as np
A=np.array([1,2,3]) #向量，shape=(3,),不能进行转置操作
print(A)
A=A[:,np.newaxis].T #二维数组，shape=(1,3)，可以进行转置操作
print(A)运行结果如下：
[1 2 3]
[[1 2 3]]② 二维数组转向量，采用ravel()函数：
import numpy as np
A=np.array([[1,2,3]]) #二维数组，shape=(1,3)，可以进行转置操作
print(A)
A=A.ravel() #向量，shape=(3,),不能进行转置操作
print(A)运行结果如下：
[[1 2 3]]
[1 2 3]4.1 对位乘积举例说明
对位乘积（点乘）前提条件：① 行数、列数都相等；② 行数或者列数其中之一相等。
① 场景1：二维矩阵.*二维矩阵，没有向量
import numpy as np
#------没有向量的场景,二维数组*二维数组-----#
A=np.array([[1,2],[4,5],[3,6]]) #行数为3，列数为2二维数组
B=np.array([[1,2],[1,2],[1,3]]) #行数为3，列数为2二维数组
C=np.array([[2,1]]) #行数为1，列数为2的二维数组
D=np.array([[3],[1],[2]]) #行数为3，列数为1的二维数组
print(f'A*B=A*B') #矩阵点乘
print(f'A*C=A*C') #行数不够，采用广播机制进行运算
print(f'A*D=A*D') #列数不够，采用广播机制进行运算运行结果如下：
A*B=[[ 1 4]
[ 4 10]
[ 3 18]]
A*C=[[2 2]
[8 5]
[6 6]]
A*D=[[ 3 6]
[ 4 5]
[ 6 12]]② 场景2：二维数组.*向量
import numpy as np
#------二维矩阵*向量-----#
A=np.array([[1,2],[4,5],[3,6]]) #二维数矩阵,shape=(3,2)
B=np.array([[1,2,3],[4,5,6]]) #二维矩阵，shape=(2,3)
C=np.array([2,1,2]) #向量,shape=(3,)
C=C[:,np.newaxis] #将C从向量变成二维数组，shape=(3,1)
print(f'A*C=A*C') #A的行数等于C的行数，广播机制
print(f'B*C.T=B*C.T') #B的列数等于C.T的列数，广播机制运行结果如下：
A*C=[[ 2 4]
[ 4 5]
[ 6 12]]
B*C.T=[[ 2 2 6]
[ 8 5 12]]4.2 矩阵乘法
矩阵乘法的前提条件：A×B，A的列数等于B的行数
① 场景1：二维矩阵×二维矩阵，没有向量
import numpy as np
#------二维矩阵×二维矩阵-----#
A=np.array([[1,2],[4,5],[3,6]]) #二维数组,shape=(3,2)
B=np.array([[1,2,3],[4,5,6]]) #二维矩阵，shape=(2,3)
C=np.array([[2,1]]) #二维矩阵，shape=(1,2)
print(f'A×B=A@B') #A的列数等于B的行数
print(f'A×C=A@C.T') #A的列数等于C.T的行数运行结果如下：
A×B=[[ 9 12 15]
[24 33 42]
[27 36 45]]
A×C=[[ 4]
[13]
[12]]② 场景2：二维矩阵×向量
#------二维矩阵×向量-----#
A=np.array([[1,2],[4,5],[3,6]]) #二维数组,shape=(3,2)
B=np.array([[1,2,3],[4,5,6]]) #二维矩阵，shape=(2,3)
C=np.array([2,1]) #向量，shape=(2,)
C=C[:,np.newaxis] #转换成二维矩阵，shape=(2,1)
print(f'A×C=A@C') #A的列数等于C的行数
print(f'B×C=B.T@C') #B.T的列数等于C的行数运行结果如下：
A×C=[[ 4]
[13]
[12]]
B×C=[[ 6]
[ 9]
[12]]4.3 向量内积
向量乘积的前提条件是向量的长度相等。
① 场景1：向量×向量
import numpy as np
#----向量×向量
A=np.array([1,2,3]) #向量，shape=(3,)
B=np.array([2,3,1]) #向量，shape=(3,)
print(A@B)
print(A@B.T)
print(A.T@B)
print(A.T@B.T)运行结果：
11
11
11
11可以看出，Python里面向量没有转置的概念。
② 向量×二维数组
import numpy as np
#----向量×二维数组
A=np.array([1,2,3]) #向量，shape=(3,)
B=np.array([[2,3,1]]) #二维数组，shape=(3,1)
B=B.ravel() #二维数组转换成向量，shape=(3,)
print(A@B)
print(A@B.T)
print(A.T@B)
print(A.T@B.T)运行结果：
11
11
11
11如果不将二维数组转换成向量，后面的程序会报错。
广播机制参考链接：
python的广播机制详解_liming89的博客-CSDN博客_python广播机制
python Numpy库相关矩阵运算
参考资料：https://www.cnblogs.com/ningskyer/articles/7607457.html
1. 定义向量和矩阵
在numpy中既可以使用ndarray类型，也可以使用matrix类型表示矩阵，经查阅资料发现一般不使用matrix类型，因为很多其他的库使用Numpy时基本都是使用ndarray（n维向量）类型的，如果使用matrix类型可能之后使用例如panda或scipy等计算库时会出现问题，因此这里统一使用ndarray进行定义向量和矩阵。
定义向量和矩阵的方法一般是使用array()这个方法创建ndarray，示例如下：
import numpy as np
# 创建向量
A = np.array([1, 2, 3])
# 创建矩阵，这里是 2*3 的矩阵
A = np.array(
[[1, 2, 3],
[4, 5, 6]]
)
2. 创建特殊的矩阵或向量
2.1 arange方法
创建等差数列向量：
2.2 linspace方法
也是创建一个等差数列向量，但是这个api是给定一个范围[a, b]和元素数进行生成的，往往使用这个方法创建一个范围的密集点，进而使用函数f(x)映射到点上，进而可以得到这个函数的图像。
使用案例：
2.3 logspace方法
和linspace类似，不过这个方法是用于生成等比数列的，参数如下：
- 起始点：10^x
- 终点：10^y
- 点的总数
案例：
2.4 ones、zeros、eye、empty
- ones：全1的矩阵
- zeros：全零矩阵
- eye：单位矩阵
- empty：空矩阵
3. 加减乘除运算
普通的+-*/运算符放到矩阵或向量运算中代表矩阵中的各个元素分别进行运算，例如：
4. 矩阵相乘
4.1 矩阵和矩阵相乘
前面已经说到直接使用*运算符仅仅代表两个矩阵的对应元素相乘，实现矩阵乘法需要使用以下方法：
法一：面向过程方法dot：
法二：ndarray对象成员方法dot：
法三：使用@运算符：
这个运算符在numpy中代表进行矩阵乘法运算：
4.2 矩阵和向量相乘
和上面相同，使用上述的三个方法都可以：
所表达的意思是：
4.3 行向量与列向量相乘
在两个向量进行相乘时，numpy就自动会将第一个向量作为行向量，第二个向量作为列向量进行运算了，例如：
所表达的意思是：
5. 获取矩阵行列数
使用ndarray成员属性shape：
6. 截取矩阵
按行截取
按列截取
7. 矩阵转置
法一：transpose成员方法
法二：T属性
8. 矩阵求逆
首先需要导入numpy的子模块linalg：
import numpy.linalg as lg
然后使用该模块的inv方法求得矩阵的逆：
9. 矩阵遍历和修改元素值
可以将矩阵作为二维数组操作，即使用a[i, j]取出第i行第j列的值：
同理，修改值也可以使用类似的方法，使用a[i, j]找到相应的元素后赋值：
可以使用[x, :]来给整行赋值：
以上是关于Python矩阵相乘的主要内容，如果未能解决你的问题，请参考以下文章
python中使用numpy包的向量矩阵相乘np.dot和np.matmul