Python 中矩陣和陣列的區別？

Python 中的陣列是 ndarray 物件。矩陣物件嚴格為二維的，而 ndarray 物件可以是多維的。要建立 Python 中的陣列，請使用 NumPy 庫。

Python 中的矩陣

矩陣是二維陣列的一種特殊情況，其中每個資料元素的大小都嚴格相同。矩陣是許多數學和科學計算的關鍵資料結構。每個矩陣也是一個二維陣列，但反之則不然。矩陣物件是 ndarray 的子類，因此它們繼承了 ndarray 的所有屬性和方法。

示例

建立矩陣並顯示

from numpy import *

# Create a Matrix
mat = array([['A',12,16],['B',11,13],
['C',20,19],['D',22,21],
['E',18,22],['F',12,18]])

# Display the Matrix
print("Matrix = \n",mat)

輸出

Matrix = 
 [['A' '12' '16']
 ['B' '11' '13']
 ['C' '20' '19']
 ['D' '22' '21']
 ['E' '18' '22']
 ['F' '12' '18']]

示例

使用 mat() 建立矩陣

mat() 函式將輸入解釋為矩陣 -

import numpy as np

# Create a Matrix
mat = np.mat([[5,10],[15,20]])

# Display the Matrix
print("Matrix = \n",mat)

輸出

Matrix = 
 [[ 5 10]
 [15 20]]

Python 中的陣列

陣列是一個容器，可以容納固定數量的項，並且這些項必須是相同型別的。要在 Python 中使用陣列，請匯入 NumPy 庫。

示例

import numpy as np

# Create an array
arr = np.array([5, 10, 15, 20])

# Display the Array
print("Array =\n")
for x in arr:
   print(x)

輸出

Array =

5
10
15
20

使用 NumPy 陣列進行矩陣運算

根據官方文件，類 numpy.matrix 將在未來被移除。因此，現在必須使用 NumPy 陣列進行矩陣代數運算。

示例

現在讓我們看看一些使用 NumPy 陣列的矩陣運算子。首先，我們將使用陣列建立一個矩陣 -

import numpy as np

# Create Matrices
mat1 = np.array([[5,10],[3,9]])
mat2 = np.array([[15,20],[10,11]])

# Display the Matrices
print("Matrix1 = \n",mat1)
print("Matrix2 = \n",mat2)

輸出

Matrix1 = 
 [[ 5 10]
 [ 3  9]]
Matrix2 = 
 [[15 20]
 [10 11]]

示例

讓我們將上述矩陣相乘 -

import numpy as np

# Create Matrices
mat1 = np.array([[5,10],[3,9]])
mat2 = np.array([[15,20],[10,11]])

# Display the Matrices
print("Matrix1 = \n",mat1)
print("Matrix2 = \n",mat2)
mulMat = mat1@mat2
print("\nMatrix Multiplication = \n",mulMat)

輸出

Matrix1 = 
 [[ 5 10]
 [ 3  9]]
Matrix2 = 
 [[15 20]
 [10 11]]

Matrix Multiplication = 
 [[175 210]
 [135 159]]

示例

獲取轉置 -

import numpy as np

# Create Matrices
mat1 = np.array([[5,10],[3,9]])
mat2 = np.array([[15,20],[10,11]])

# Display the Matrices
print("Matrix1 = \n",mat1)
print("Matrix2 = \n",mat2)
mulMat = mat1@mat2
print("\nTranspose = \n",mulMat.T)

輸出

Matrix1 = 
 [[ 5 10]
 [ 3  9]]
Matrix2 = 
 [[15 20]
 [10 11]]

Transpose = 
 [[175 135]
 [210 159]]

AmitDiwan

更新於: 2022年9月15日

4K+ 次瀏覽

開啟你的 職業生涯

透過完成課程獲得認證

開始學習