python np.dot(a,b)運(yùn)算規(guī)則解析

首先我們知道dot運(yùn)算時(shí)不滿足交換律的，np.dot(a, b)與np.dot(b, a)是不一樣的

另外np.dot(a,b)和a.dot(b)果是一樣的

1.numpy中數(shù)組相乘np.dot(a,b)運(yùn)算條件：

對(duì)于兩數(shù)組a和b ：

示例一：

a = np.array([[3], [3], [3]]) # (3,1)
b = np.array([2, 2, 1]) # (3,)
print(a, "\na的shape", a.shape)
print(b, "\nb的shape", b.shape)
c = b.dot(a)
print(c, "\nc的shape", c.shape)

輸出：

 [3]
 [3]] 
a的shape (3, 1)
[2 2 1] 
b的shape (3,)
[15] 
c的shape (1,)

示例二：

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

可以直接看他們的shape：a的shape為(3, 4)設(shè)為(m, n)；b的shape為(4, 3)設(shè)為(x, y)

對(duì)于上面兩個(gè)數(shù)組a，b：

np.dot（a，b）的運(yùn)算條件為：n==x，如果a的shape變?yōu)?4, 3)則兩則無(wú)法dot

簡(jiǎn)單來(lái)說(shuō)規(guī)律就是：如果a.shape=(m,n),b.shape=(x,y)那么**np.dot(a,b)**的運(yùn)算條件為：n=x （這一點(diǎn)用于在python理解和快速判斷數(shù)組的shape是否用對(duì)了）

實(shí)際上數(shù)組運(yùn)算的規(guī)律將兩個(gè)數(shù)組畫(huà)出來(lái)，是這樣的：

2.np.dot(a,b)運(yùn)算之后的結(jié)果解析

規(guī)律：dot之后會(huì)將兩組數(shù)組中相等的(符合dot條件的)維度消掉,得到剩下的維度組合成新的數(shù)組,如果剩下只有一個(gè)維度則為行(對(duì)應(yīng)一維),列是無(wú)

對(duì)于a.shape=(m,n),b.shape=(x,y)：

dot之后n和x會(huì)消掉，結(jié)果shape變成(m,y)

如果n為1(或者空)，shape變?yōu)椋▂,）

e.g1:

a = np.array([1,1,1]) # shape=(3,)
b = np.array([[3],[3],[3]]) # shape=(3,1)
print(np.dot(a,b))
print("dot之后的shape為：", np.dot(a,b).shape)

那么，3和3消掉，剩下只有一個(gè)數(shù)1，對(duì)應(yīng)1行沒(méi)有列==>(1,)

運(yùn)算結(jié)果：

[9]
dot之后的shape為：(1,)

e.g2:

a.shape=(4,1) 
b.shape=(1,4)

那么( 1和1消掉，剩下(4,4) )

np.dot(a,b)的shape為(4,4)

補(bǔ)充：Python3中的列表、數(shù)組和矩陣及*、np.dot和np.multiply解析

今天用Python進(jìn)行數(shù)據(jù)處理的時(shí)候，突然發(fā)現(xiàn)自己搞不清Python中的列表和數(shù)組有啥區(qū)別及其運(yùn)算規(guī)則，總是得不到自己想要的結(jié)果。于是就開(kāi)始在網(wǎng)上找相關(guān)資料，發(fā)現(xiàn)很多資料講的都十分片面，下面自己總結(jié)的各個(gè)資料，給大家進(jìn)行詳細(xì)的解釋：

1.列表、數(shù)組和矩陣

列表是Python中最基本的數(shù)據(jù)結(jié)構(gòu)，列表中可以存儲(chǔ)數(shù)字、字符串等，因此Python可以通過(guò)列表存儲(chǔ)數(shù)組；

數(shù)組是Python擴(kuò)展庫(kù)Numpy中的一種數(shù)據(jù)結(jié)構(gòu)ndarray；

矩陣是同樣是Python擴(kuò)展庫(kù)Numpy中的一種數(shù)據(jù)結(jié)構(gòu)mat；

那么既然存在列表，為什么我們不直接使用Python中的列表，而使用Numpy呢？原因顯然意見(jiàn)，Python中列表的存儲(chǔ)效率和輸入輸出性能遠(yuǎn)不及Numpy中的數(shù)組和矩陣，但是由于列表中可以存儲(chǔ)任意元素，因此列表的通用性方面要比數(shù)組和矩陣強(qiáng)?？傊斜砼c數(shù)組、矩陣各有各的優(yōu)勢(shì)，要視使用場(chǎng)合選擇合適的數(shù)據(jù)結(jié)構(gòu)。

同樣Numpy中的數(shù)組和矩陣也是有區(qū)別的：

Numpy中的矩陣必須是2維的，而Numpy中數(shù)組可以是多維的，因此矩陣是數(shù)組的一個(gè)特例，所以在Numpy中的矩陣?yán)^承著數(shù)組的所有特性；

同時(shí)我們常常需要查看列表、數(shù)組和矩陣的屬性，如size、shape、len

其中l(wèi)en()：返回對(duì)象的長(zhǎng)度，可以作用于列表、數(shù)組和矩陣：len(list([1,2,3]))

size()和shape()是Numpy擴(kuò)展庫(kù)中才用的函數(shù)：

size()：計(jì)算所有數(shù)據(jù)的個(gè)數(shù)，同樣可以作用于列表、數(shù)組和矩陣：np.size(np.array([1,2,3]))

shape():得到數(shù)據(jù)每維的大小，同樣可以作用于列表、數(shù)組和矩陣：np.shape(np.array([1,2,3]))

不同于len，shape和size還可以作為數(shù)組和矩陣的屬性（列表不行），使用方法如下：a.shape、a.size

2.Python中的星號(hào)（*）、np.multiply()、np.dot()

1.星號(hào)（*）：

對(duì)數(shù)組執(zhí)行對(duì)應(yīng)位置相乘；對(duì)矩陣執(zhí)行矩陣乘法運(yùn)算

2.np.multiply()

不管對(duì)矩陣還是數(shù)組都是執(zhí)行對(duì)應(yīng)位置相乘

3.np.dot()

對(duì)秩為1的數(shù)組：對(duì)應(yīng)位置相乘并求和

對(duì)秩不為1的數(shù)組：矩陣乘法運(yùn)算

對(duì)矩陣：矩陣乘法運(yùn)算

上面是對(duì)列表、數(shù)組、矩陣以及Python中各種乘法的總結(jié)，果然總結(jié)對(duì)自己理解問(wèn)題有很大的幫助，現(xiàn)在自己自己很清楚它們的用法了，希望這篇博客也可以幫助大家~

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。

最新評(píng)論