NumPy矩阵计算

NumPy中array和matrix的区别：

array的优势就是不仅仅表示二维，还能表示3、4、5…维，而且在大部分Python程序里，array也是更常用的。

matrix的优势就是相对简单的运算符号，比如两个矩阵相乘，就是用符号*，但是array相乘不能这么用，得用方法.dot()

两者区别：

• 对应元素相乘：matrix可以用np.multiply(X2,X1)，array直接X1*X2

• 矩阵相乘：matrix直接X1*X2；
  array可以X1.dot(X2) 或 np.dot(X1, X2) 或者 X1@X2，np.matmul(X1, X2)。
  区别请参考博文https://blog.csdn.net/Jasminexjf/article/details/79888350或者官方文档。
  推荐矩阵相乘使用@，简单明了。

也就是说* ，在 np.array 中重载为元素乘法，在 np.matrix 中重载为矩阵乘法

---

矢量化（vectorization）

数组很重要，因为它使你不用编写循环即可对数据执行批量运算。这通常叫做矢量化（vectorization）。大小相等的数组之间的任何算术都会将运算应用到元素级。

• 数组与数组的运算
  相同大小数组的运算应用在每个对应元素上

>>> a = np.arange(6).reshape(2,3)
array([[0, 1, 2],
       [3, 4, 5]])

>>>a * a 
array([[ 0,  1,  4],
       [ 9, 16, 25]])

• 数组与标量的算术运算
  将标量"广播（broadcast）"到各个元素

>>>a + 2

array([[2, 3, 4],
       [5, 6, 7]])

注：标量（scalar）:又称数量、纯量。与之对立的量叫矢量。