Quelles sont les différences entre numpy les tableaux et les matrices? Qui dois-je utiliser?

Numpy matrices sont strictement en 2 dimensions, tandis que les tableaux numpy (ndarrays) sont
À N dimensions. La matrice des objets sont une sous-classe de ndarray, de sorte qu'ils héritent de toutes les
les attributs et les méthodes de ndarrays.

Le principal avantage de numpy matrices est qu'ils fournissent une pratique de la notation
pour la multiplication matricielle: si a et b sont des matrices, alors a*b est leur matrice
produit.

import numpy as np

a=np.mat('4 3; 2 1')
b=np.mat('1 2; 3 4')
print(a)
# [[4 3]
#  [2 1]]
print(b)
# [[1 2]
#  [3 4]]
print(a*b)
# [[13 20]
#  [ 5  8]]

D'autre part, en tant que de Python 3.5, NumPy prend en charge infix de multiplication de matrice à l'aide de la @ de l'opérateur, de sorte que vous pouvez obtenir le même confort de multiplication de matrice avec ndarrays en Python >= 3.5.

import numpy as np

a=np.array([[4, 3], [2, 1]])
b=np.array([[1, 2], [3, 4]])
print(a@b)
# [[13 20]
#  [ 5  8]]

La matrice à la fois des objets et des ndarrays ont .T pour retourner la transposition, mais la matrice
les objets ont également .H pour le conjugué transposer, et .I de l'inverse.

En revanche, les tableaux numpy constante de respecter la règle que les opérations sont
appliquée à l'élément de sage (sauf pour la nouvelle @ opérateur). Ainsi, si a et b sont des tableaux numpy, puis a*b est la matrice de
formé en multipliant les composants de l'élément de sage:

c=np.array([[4, 3], [2, 1]])
d=np.array([[1, 2], [3, 4]])
print(c*d)
# [[4 6]
#  [6 4]]

Pour obtenir le résultat de la multiplication de matrice, vous utilisez np.dot (ou @ en Python >= 3.5, comme illustré ci-dessus):

print(np.dot(c,d))
# [[13 20]
#  [ 5  8]]

La ** opérateur se comporte différemment:

print(a**2)
# [[22 15]
#  [10  7]]
print(c**2)
# [[16  9]
#  [ 4  1]]

Depuis a est une matrice, a**2 renvoie la matrice produit a*a.
Depuis c est un ndarray, c**2 retourne un ndarray avec chaque composant au carré
élément-sage.

Il y a d'autres différences techniques entre la matrice des objets et des ndarrays
(avoir à faire avec np.ravel, la sélection de l'élément et le comportement de séquence).

Le principal avantage des tableaux numpy, c'est qu'ils sont plus générales que
2-dimensions des matrices. Ce qui se passe lorsque vous voulez un 3-dimensions tableau? Alors
vous devez utiliser un ndarray, pas un objet de la matrice. Ainsi, l'apprentissage de l'utilisation de la matrice
objets est plus de travail-que vous avez à apprendre de la matrice objet d'opérations, et
ndarray opérations.

Écrire un programme qui utilise à la fois les matrices et les tableaux rend la vie difficile
parce que vous devez garder une trace de ce type de l'objet à vos variables sont, de peur que
la multiplication de retour quelque chose que vous n'attendiez pas.

En revanche, si vous vous en tenez uniquement avec ndarrays, alors vous pouvez tout faire
la matrice des objets peut faire, et de plus, à l'exception légèrement différentes
fonctions/notation.

Si vous êtes prêt à renoncer à l'attrait visuel de NumPy produit matriciel
la notation (qui peut être atteint presque avec autant d'élégance avec ndarrays en Python >= 3.5), alors je pense que NumPy les tableaux sont certainement le chemin à parcourir.

PS. Bien sûr, vous vraiment n'avez pas à choisir l'un au détriment de l'autre,
depuis np.asmatrix et np.asarray vous permettent de convertir de l'un à l'autre (comme
longtemps que le tableau est en 2 dimensions).

---

Il y a un résumé des différences entre NumPy arrays vs NumPy matrixes ici.

Juste pour ajouter un cas à l'unutbu de la liste.

L'une des plus grandes différences concrètes pour moi de numpy ndarrays par rapport à numpy matrices ou de la matrice des langues comme matlab, c'est que la dimension n'est pas conservé à réduire ses activités. Les Matrices sont toujours en 2d, alors que la moyenne d'un tableau, par exemple, a une dimension de moins en moins.

Par exemple rabaisser les lignes d'une matrice ou d'un tableau:

avec la matrice

>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
        [2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
        [ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5,  0.5],
        [-0.5,  0.5]])

avec le tableau

>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
       [2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5,  2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
       [ 0.5,  0.5]])
>>> a - am[:, np.newaxis]  #right
array([[-0.5,  0.5],
       [-0.5,  0.5]])

Je pense aussi que le mélange des tableaux et des matrices donne lieu à de nombreux "heureux" de débogage heures.
Cependant, scipy.matrices creuses sont toujours les matrices en termes d'opérateurs, comme la multiplication.