【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇

这是机器未来的第43篇文章

原文首发地址:https://blog.csdn.net/RobotFutures/article/details/126493989

【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇_第1张图片

文章目录

  • 1. 概述
  • 2. 四则运算
    • 2.1 加法
    • 2.2 减法
    • 2.3 乘法
    • 2.4 除法
  • 3. 矩阵运算
    • 3.1 np.dot函数
    • 3.2 np.matmul函数
    • 3.3 @运算符
    • 3.4 转换为矩阵,再运算
  • 4. numpy的广播机制
    • 4.1 举例1
    • 4.2 举例2
    • 4.3 举例3
    • 4.4 举例4
    • 4.5 举例5
  • 5. 总结

1. 概述

本文总结了numpy常见的运算,四则运算与矩阵运算,以及它们的区别。同时描述了在形状不满足要求时,在特定情况下仍然可以运算的广播机制。

2. 四则运算

四则运算即是小学时学过的+、-、*、/,在numpy中ndarray数组对象怎么进行四则运算呢?

四则运算都是对位运算,数学公式如下:

# 生成2个3*3数组
import numpy as np

a = np.random.randint(low=1,high=100,size=(3,3))
b = np.random.randint(low=1,high=100,size=(3,3))
print(f"a:\n{a}, type:{type(a)}")
print(f"b:\n{b}")

a:
[[84 16 27]
 [39 33 87]
 [82 16 37]], type:
b:
[[68 33 96]
 [92 43 69]
 [14  4 88]]

2.1 加法

s u m = ∑ i , j M , N ( a i j + b i j ) sum = \sum_{i, j}^{M,N}(a_{ij}+b_{ij}) sum=i,jM,N(aij+bij)

# 加法
sum = a + b
print(f"sum:\n{sum}")
sum:
[[128 154 172]
 [ 79 133  16]
 [ 96  39 115]]

2.2 减法

d i f f = ∑ i , j M , N ( a i j − b i j ) diff = \sum_{i, j}^{M,N}(a_{ij}-b_{ij}) diff=i,jM,N(aijbij)

# 减法
diff = a - b
print(f"diff:\n{diff}")
diff:
[[-30   2 -26]
 [ 13   1  -6]
 [-18  -3  21]]

2.3 乘法

p r o d u c t = ∑ i , j M , N ( a i j ∗ b i j ) product = \sum_{i, j}^{M,N}(a_{ij}*b_{ij}) product=i,jM,N(aijbij)

# 乘法
product = a * b
print(f"product:\n{product}")
product:
[[3871 5928 7227]
 [1518 4422   55]
 [2223  378 3196]]

2.4 除法

q u o t i e n t = ∑ i , j M , N ( a i j / b i j ) quotient = \sum_{i, j}^{M,N}(a_{ij}/b_{ij}) quotient=i,jM,N(aij/bij)

# 除法
quotient = a / b
print(f"quotient:\n{quotient}")
quotient:
[[0.62025316 1.02631579 0.73737374]
 [1.39393939 1.01515152 0.45454545]
 [0.68421053 0.85714286 1.44680851]]

3. 矩阵运算

上面描述了ndarray数组对象的四则运算,如何利用numpy进行矩阵运算呢?
矩阵运算基本运算为加、减、乘法及数乘。
矩阵的加法、减法运算和数组的加法、减法运算一样,都是对位运算,数乘运算也比较简单,就是每个元素都乘以数,但是矩阵乘法和数组的乘法差距较大。

假设有两个矩阵, mxn矩阵A和nxs矩阵B, 两个矩阵矩阵相乘后结果为mxs矩阵。

矩阵A的列和矩阵B的行必须相等,才可以进行矩阵运算。

假设矩阵A为4*3的矩阵,矩阵B为3*2的矩阵

矩阵A:
[ a 0 , 0 a 0 , 1 a 0 , 2 a 1 , 0 a 1 , 1 a 1 , 2 a 2 , 0 a 2 , 1 a 2 , 2 a 3 , 0 a 3 , 1 a 3 , 2 ] \begin{bmatrix} a_{0,0} & a_{0,1} & a_{0,2} \\ a_{1,0} & a_{1,1} & a_{1,2} \\ a_{2,0} & a_{2,1} & a_{2,2} \\ a_{3,0} & a_{3,1} & a_{3,2} \end{bmatrix} a0,0a1,0a2,0a3,0a0,1a1,1a2,1a3,1a0,2a1,2a2,2a3,2

矩阵B:
[ b 0 , 0 b 0 , 1 b 1 , 0 b 1 , 1 b 2 , 0 b 2 , 1 ] \begin{bmatrix} b_{0,0} & b_{0,1} \\ b_{1,0} & b_{1,1} \\ b_{2,0} & b_{2,1} \\ \end{bmatrix} b0,0b1,0b2,0b0,1b1,1b2,1

矩阵A乘以矩阵B的结果4*2的矩阵:
[ a 0 , 0 ∗ b 0 , 0 + a 0 , 1 ∗ b 1 , 0 + a 0 , 2 ∗ b 2 , 0 a 0 , 0 ∗ b 0 , 1 + a 0 , 1 ∗ b 1 , 1 + a 0 , 2 ∗ b 2 , 1 a 1 , 0 ∗ b 0 , 0 + a 1 , 1 ∗ b 1 , 0 + a 1 , 2 ∗ b 2 , 0 a 1 , 0 ∗ b 0 , 1 + a 1 , 1 ∗ b 1 , 1 + a 1 , 2 ∗ b 2 , 1 a 2 , 0 ∗ b 0 , 0 + a 2 , 1 ∗ b 1 , 0 + a 2 , 2 ∗ b 2 , 0 a 2 , 0 ∗ b 0 , 1 + a 2 , 1 ∗ b 1 , 1 + a 2 , 2 ∗ b 2 , 1 a 3 , 0 ∗ b 0 , 0 + a 3 , 1 ∗ b 1 , 0 + a 3 , 2 ∗ b 2 , 0 a 3 , 0 ∗ b 0 , 1 + a 3 , 1 ∗ b 1 , 1 + a 3 , 2 ∗ b 2 , 1 ] \begin{bmatrix} a_{0,0}*b_{0,0}+a_{0,1}*b_{1,0}+a_{0,2}*b_{2,0} & a_{0,0}*b_{0, 1}+a_{0,1}*b_{1,1}+ a_{0,2} *b_{2,1}\\ a_{1,0}*b_{0,0}+a_{1,1}*b_{1,0}+a_{1,2}*b_{2,0} & a_{1,0}*b_{0, 1}+a_{1,1}*b_{1,1}+ a_{1,2} *b_{2,1}\\ a_{2,0}*b_{0,0}+a_{2,1}*b_{1,0}+a_{2,2}*b_{2,0} & a_{2,0}*b_{0, 1}+a_{2,1}*b_{1,1}+ a_{2,2} *b_{2,1}\\ a_{3,0}*b_{0,0}+a_{3,1}*b_{1,0}+a_{3,2}*b_{2,0} & a_{3,0}*b_{0, 1}+a_{3,1}*b_{1,1}+ a_{3,2} *b_{2,1}\\ \end{bmatrix} a0,0b0,0+a0,1b1,0+a0,2b2,0a1,0b0,0+a1,1b1,0+a1,2b2,0a2,0b0,0+a2,1b1,0+a2,2b2,0a3,0b0,0+a3,1b1,0+a3,2b2,0a0,0b0,1+a0,1b1,1+a0,2b2,1a1,0b0,1+a1,1b1,1+a1,2b2,1a2,0b0,1+a2,1b1,1+a2,2b2,1a3,0b0,1+a3,1b1,1+a3,2b2,1

矩阵相乘的计算过程为:

矩阵A和第k行和矩阵B的第k列相乘,矩阵A的第k行第i列的元素乘以矩阵B第j列第i行的元素,然后它们的乘积再想加就是结果的第ij元素。
C i , j = a i , 0 ∗ b 0 , j + a i , 1 ∗ b 1 , j + . . . + a i , n ∗ b n , j = ∑ k = 0 n a i k b k j C_{i,j} = a_{i,0}*b_{0,j}+a_{i,1}*b_{1,j}+...+a_{i,n}*b_{n,j} = \sum_{k=0}^{n}a_{ik}b_{kj} Ci,j=ai,0b0,j+ai,1b1,j+...+ai,nbn,j=k=0naikbkj

numpy中计算矩阵乘法的方式有4种:

3.1 np.dot函数

arr_a = np.array([[1,2,3],[4, 5, 6], [7, 8, 9], [1, 2, 3]])
arr_b = np.array([[1, 1], [2, 2], [3, 3]])
print(f"arr_a:{arr_a.shape},{type(arr_a)}\n{arr_a}") 
print(f"arr_b:{arr_b.shape},{type(arr_b)}\n{arr_b}")

matrix_c = np.dot(arr_a, arr_b)
print(f"matrix_c:{matrix_c.shape},{type(matrix_c)}\n{matrix_c}")
arr_a:(4, 3),
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [1 2 3]]
arr_b:(3, 2),
[[1 1]
 [2 2]
 [3 3]]
matrix_c:(4, 2),
[[14 14]
 [32 32]
 [50 50]
 [14 14]]

3.2 np.matmul函数

从numpy1.10.0开始支持。

arr_a = np.array([[1,2,3],[4, 5, 6], [7, 8, 9], [1, 2, 3]])
arr_b = np.array([[1, 1], [2, 2], [3, 3]])
print(f"arr_a:{arr_a.shape},{type(arr_a)}\n{arr_a}") 
print(f"arr_b:{arr_b.shape},{type(arr_b)}\n{arr_b}")

matrix_c = np.matmul(arr_a, arr_b)
print(f"matrix_c:{matrix_c.shape},{type(matrix_c)}\n{matrix_c}")
arr_a:(4, 3),
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [1 2 3]]
arr_b:(3, 2),
[[1 1]
 [2 2]
 [3 3]]
matrix_c:(4, 2),
[[14 14]
 [32 32]
 [50 50]
 [14 14]]

3.3 @运算符

arr_a = np.array([[1,2,3],[4, 5, 6], [7, 8, 9], [1, 2, 3]])
arr_b = np.array([[1, 1], [2, 2], [3, 3]])
print(f"arr_a:{arr_a.shape},{type(arr_a)}\n{arr_a}") 
print(f"arr_b:{arr_b.shape},{type(arr_b)}\n{arr_b}")

matrix_c = arr_a @ arr_b
print(f"matrix_c:{matrix_c.shape},{type(matrix_c)}\n{matrix_c}")
arr_a:(4, 3),
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [1 2 3]]
arr_b:(3, 2),
[[1 1]
 [2 2]
 [3 3]]
matrix_c:(4, 2),
[[14 14]
 [32 32]
 [50 50]
 [14 14]]

3.4 转换为矩阵,再运算

利用np.asmatrix方法

arr_a = np.array([[1,2,3],[4, 5, 6], [7, 8, 9], [1, 2, 3]])
arr_b = np.array([[1, 1], [2, 2], [3, 3]])
print(f"arr_a:{arr_a.shape},{type(arr_a)}\n{arr_a}") 
print(f"arr_b:{arr_b.shape},{type(arr_b)}\n{arr_b}")

# np.matrix方法已不推荐使用,将来会移除,asmatrix不会拷贝副本
matrix_c = np.asmatrix(arr_a) * np.asmatrix(arr_b)
print(f"matrix_c:{matrix_c.shape},{type(matrix_c)}\n{matrix_c}")
arr_a:(4, 3),
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [1 2 3]]
arr_b:(3, 2),
[[1 1]
 [2 2]
 [3 3]]
matrix_c:(4, 2),
[[14 14]
 [32 32]
 [50 50]
 [14 14]]

4. numpy的广播机制

Numpy的四则运算在计算时必须满足形状一致,而Numpy的广播机制在满足广播条件约束的情况,可以将不同形状的数组扩展成统一的形状,然后再进行运算。

一般广播规则

当对两个数组进行操作时,NumPy 会逐元素比较它们的形状。 它从尾随(即最右边)维度开始,从右向左比较,
(1)维度不相等,两个数组的右侧轴元素个数相符
(2)维度相等,且其中之一的轴的元素个数为1,且其它轴的元素个数相等
(3)维度不相等,两个数组的右侧元素个数不相符,且一侧元素个数为1,则按照两侧元素个数多的为标准进行广播
则满足广播机制。

4.1 举例1

数组a,其形状为4*3,数组b,其形状为3,从尾部开始比较,数组a的形状4*3包含数组b的形状3,因此满足广播机制。

import numpy as np

a = np.array([[ 0.0,  0.0,  0.0],
              [10.0, 10.0, 10.0],
              [20.0, 20.0, 20.0],
              [30.0, 30.0, 30.0]])

b = np.array([1.0, 2.0, 3.0])

c = a + b

print(a.shape, b.shape, c.shape)
print(c)
(4, 3) (3,) (4, 3)
[[ 1.  2.  3.]
 [11. 12. 13.]
 [21. 22. 23.]
 [31. 32. 33.]]

【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇_第2张图片

4.2 举例2

数组a,其形状为3*4*2,数组b,其形状为4*2,从尾部开始比较,数组a的形状3*4*2包含数组b的形状4*2,因此满足广播机制。

a = np.random.randint(low=0, high=10, size=(3, 4, 2))
b = np.random.randint(low=0, high=10, size=(4,2))

c = a + b

print(a.shape, b.shape, c.shape)
print(f"a:{a}\nb:{b}\nc:{c}")
(3, 4, 2) (4, 2) (3, 4, 2)
a:[[[6 0]
  [2 3]
  [7 6]
  [9 7]]

 [[3 1]
  [0 5]
  [6 0]
  [1 9]]

 [[7 2]
  [0 3]
  [2 3]
  [0 6]]]
b:[[7 3]
 [0 5]
 [6 7]
 [1 7]]
c:[[[13  3]
  [ 2  8]
  [13 13]
  [10 14]]

 [[10  4]
  [ 0 10]
  [12  7]
  [ 2 16]]

 [[14  5]
  [ 0  8]
  [ 8 10]
  [ 1 13]]]

【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇_第3张图片

4.3 举例3

数组a形状为4*3,数组b形状为4*1,数组维度相同,有2个维度,其中一个维度元素个数为1,另外一个维度元素个数相等,满足广播机制

import numpy as np

a = np.array([[0, 0, 0],[1, 1, 1],[2, 2, 2], [3, 3, 3]])  #arr1.shape = (4,3)
b = np.array([[1],[2],[3],[4]])    #arr2.shape = (4, 1)

c = a + b
print(c)
[[1 1 1]
 [3 3 3]
 [5 5 5]
 [7 7 7]]

【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇_第4张图片

4.4 举例4

数组a形状为(5, 4, 3),数组b形状为(5, 1, 3),数组维度相同,有3个维度,其中一个维度元素个数为1,另外2个维度元素个数相等,满足广播机制

a = np.random.randint(low=0, high=10, size=(5, 4, 3))
b = np.random.randint(low=0, high=10, size=(5, 1, 3))

c = a + b

print(a.shape, b.shape, c.shape)
print(f"a:{a}\nb:{b}\nc:{c}")
(5, 4, 3) (5, 1, 3) (5, 4, 3)
a:[[[7 4 5]
  [9 9 1]
  [7 6 8]
  [9 5 7]]

 [[3 0 0]
  [1 2 4]
  [0 1 8]
  [5 2 6]]

 [[9 5 0]
  [5 8 5]
  [7 1 8]
  [9 2 9]]

 [[7 9 0]
  [4 5 3]
  [7 2 7]
  [0 8 9]]

 [[2 4 2]
  [2 3 1]
  [8 3 5]
  [5 7 4]]]
b:[[[2 5 2]]

 [[4 3 3]]

 [[5 3 0]]

 [[0 6 6]]

 [[3 6 8]]]
c:[[[ 9  9  7]
  [11 14  3]
  [ 9 11 10]
  [11 10  9]]

 [[ 7  3  3]
  [ 5  5  7]
  [ 4  4 11]
  [ 9  5  9]]

 [[14  8  0]
  [10 11  5]
  [12  4  8]
  [14  5  9]]

 [[ 7 15  6]
  [ 4 11  9]
  [ 7  8 13]
  [ 0 14 15]]

 [[ 5 10 10]
  [ 5  9  9]
  [11  9 13]
  [ 8 13 12]]]

4.5 举例5

数组a的形状为(3, 1, 2),数组b的形状为(4, 1),从右侧向左比较,数组a和数组b的维度不相等,右侧元素个数也不相等,但是两侧都有出现轴的元素个数为1的情况,则轴元素个数为1的维度根据两者的较大值进行广播。

从右向左比较,数据b首先在第2维上广播为(4, 2),然后数组a在第1维广播为(3, 4, 2),数组b在第0维广播为(3, 4, 2)

a = np.random.randint(low=0, high=10, size=(3, 1, 2))
b = np.random.randint(low=0, high=10, size=(4, 1))

c = a + b

print(a.shape, b.shape, c.shape)
print(f"a:{a}\nb:{b}\nc:{c}")
(3, 1, 2) (4, 1) (3, 4, 2)
a:[[[7 1]]

 [[8 5]]

 [[4 8]]]
b:[[2]
 [0]
 [7]
 [0]]
c:[[[ 9  3]
  [ 7  1]
  [14  8]
  [ 7  1]]

 [[10  7]
  [ 8  5]
  [15 12]
  [ 8  5]]

 [[ 6 10]
  [ 4  8]
  [11 15]
  [ 4  8]]]

以上就是numpy的四则运算、矩阵运算以及广播机制的作用机制了。

5. 总结

  • 数组的四则运算

∑ i , j M , N ( a i j + ∣ − ∣ ∗ ∣ / b i j ) \sum_{i, j}^{M,N}(a_{ij} + | - | * | / b_{ij}) i,jM,N(aij+∣/bij)

  • 矩阵相乘

C i , j = a i , 0 ∗ b 0 , j + a i , 1 ∗ b 1 , j + . . . + a i , n ∗ b n , j = ∑ k = 0 n a i k b k j C_{i,j} = a_{i,0}*b_{0,j}+a_{i,1}*b_{1,j}+...+a_{i,n}*b_{n,j} = \sum_{k=0}^{n}a_{ik}b_{kj} Ci,j=ai,0b0,j+ai,1b1,j+...+ai,nbn,j=k=0naikbkj

  • 广播机制的三种场景

    • 维度不相等,两个数组的右侧轴元素个数相符

    • 维度相等,且其中之一的轴的元素个数为1,且其它轴的元素个数相等

    • 维度不相等,两个数组的右侧元素个数不相符,且一侧元素个数为1,则按照两侧元素个数多的为标准进行广播
      则满足广播机制。

写在末尾:

  • 博客简介:专注AIoT领域,追逐未来时代的脉搏,记录路途中的技术成长!
  • 专栏简介:从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
  • 面向人群:AI初级学习者
  • 专栏计划:接下来会逐步发布跨入人工智能的系列博文,敬请期待
    • Python零基础快速入门系列
    • Python数据科学系列
    • 人工智能开发环境搭建系列
    • 机器学习系列
    • 物体检测快速入门系列
    • 自动驾驶物体检测系列

你可能感兴趣的:(numpy,python,矩阵)