背景

前段时间在知识星球上立了一个Flag，至少写10篇关于 Python，Matlab 和 C# 对比的总结。

这是第 3 篇，对比 Matlab 与 Numpy 在矩阵基本运算方面的区别与联系。

虽然 Numpy 定义了 matrix 类型，使用该 matrix 类型创建的是矩阵对象。但是由于 NumPy 中同时存在 ndarray 和 matrix 对象，因此用户很容易将两者弄混。这有违 Python 的“显式优于隐式”的原则，因此官方并不推荐在程序中使用 matrix。在这里，我们仍然用 ndarray 来介绍。

1. 矩阵的转置

矩阵的行和列对换称为矩阵的转置。

【例1】求矩阵AAA的转置矩阵。

A=[1234567810]A = \begin{bmatrix} 1&2&3\\ 4&5&6\\ 7&8&10\\ \end{bmatrix} A=⎣⎡1472583610⎦⎤

Matlab：

对矩阵的转置运算，只需要在矩阵的右上角加上单引号即可。

>> A = [1, 2, 3; 4, 5, 6; 7, 8, 9];
>> disp(A')1     4     72     5     83     6     9

Numpy：

import numpy as npA = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.transpose(A))
# [[1 4 7]
#  [2 5 8]
#  [3 6 9]]print(A.T)
# [[1 4 7]
#  [2 5 8]
#  [3 6 9]]

2. 矩阵的加法与减法

两个同型矩阵（行数和列数相同的矩阵）可以做加法和减法，返回一个同样行数和列数的矩阵，其中每个元素为原先两个矩阵对应元素之和，或两个矩阵对应元素之差。若行数和列数不同的两个矩阵做加法或减法，则显示错误。

【例1】已知矩阵AAA与BBB，求矩阵A−BA-BA−B，A+BA+BA+B 。

A=[1234567810],B=[1357911131516]A = \begin{bmatrix} 1&2&3\\ 4&5&6\\ 7&8&10\\ \end{bmatrix} , B = \begin{bmatrix} 1&3&5\\ 7&9&11\\ 13&15&16\\ \end{bmatrix} A=⎣⎡1472583610⎦⎤,B=⎣⎡1713391551116⎦⎤

Matlab：

矩阵的书写方法是：数与数之间用逗号或空格分开，换行时用分号分开，矩阵的开始和终止用方括号。

>> A=[1,2,3;4,5,6;7,8,10];
>> B=[1,3,5;7,9,11;13,15,16];
>> disp(A+B)2     5     811    14    1720    23    26>> disp(A-B)0    -1    -2-3    -4    -5-6    -7    -6

Numpy：

import numpy as npA = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 10]])
B = np.array([[1, 3, 5], [7, 9, 11], [13, 15, 16]])
print(A + B)
# [[ 2  5  8]
#  [11 14 17]
#  [20 23 26]]print(A - B)
# [[ 0 -1 -2]
#  [-3 -4 -5]
#  [-6 -7 -6]]

3. 矩阵的乘法

若矩阵A=(aij)m×pA=(a_{ij})_{m\times p}A=(aij)m×p，B=(bij)p×nB=(b_{ij})_{p\times n}B=(bij)p×n，则矩阵的乘积C=AB=(cij)m×nC=AB=(c_{ij})_{m×n}C=AB=(cij)m×n。

cij=∑k=1paikbkj,i=1,…,m;j=1,…,n;k=1,…,pc_{ij}=\sum^{p}_{k=1}{a_{ik}b_{kj}}, i=1,\dots,m;j=1,\dots,n;k=1,\dots,p cij=k=1∑paikbkj,i=1,…,m;j=1,…,n;k=1,…,p

必须注意，矩阵相乘，矩阵AAA的列数应等于矩阵BBB的行数，否则将显示出错。

【例1】已知3阶方阵AAA和BBB，求A×BA\times BA×B和B×AB\times AB×A。

A=[1234567810],B=[1357911131517]A = \begin{bmatrix} 1&2&3\\ 4&5&6\\ 7&8&10\\ \end{bmatrix} , B = \begin{bmatrix} 1&3&5\\ 7&9&11\\ 13&15&17\\ \end{bmatrix} A=⎣⎡1472583610⎦⎤,B=⎣⎡1713391551117⎦⎤

Matlab：

>> A=[1,2,3;4,5,6;7,8,10];
>> B=[1,3,5;7,9,11;13,15,17];
>> disp(A*B)54    66    78117   147   177193   243   293>> disp(B*A)48    57    71120   147   185192   237   299

Numpy：

import numpy as npA = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 10]])
B = np.array([[1, 3, 5], [7, 9, 11], [13, 15, 17]])
print(np.dot(A, B))
# [[ 54  66  78]
#  [117 147 177]
#  [193 243 293]]print(np.dot(B, A))
# [[ 48  57  71]
#  [120 147 185]
#  [192 237 299]]

4. 矩阵的左除

矩阵的左除，常用于解线性方程组，AX=BAX=BAX=B。这时X=A−1BX=A^{-1}BX=A−1B，即矩阵AAA左除矩阵BBB。

【例1】已知矩阵AAA和CCC，求矩阵AAA左除CCC。

A=[1234567810],C=[546675117147171193243283]A = \begin{bmatrix} 1&2&3\\ 4&5&6\\ 7&8&10\\ \end{bmatrix} , C = \begin{bmatrix} 54&66&75\\ 117&147&171\\ 193&243&283\\ \end{bmatrix} A=⎣⎡1472583610⎦⎤,C=⎣⎡541171936614724375171283⎦⎤

Matlab：

矩阵的左除为矩阵乘法的逆运算，若AB=CAB=CAB=C则B=A−1C=A∖CB=A^{-1} C=A \setminus CB=A−1C=A∖C，即BBB等于AAA左除CCC。注意矩阵左除用反斜杠表示。

>> A=[1,2,3;4,5,6;7,8,10];
>> C=[54,66,75;117,147,171;193,243,283];
>> disp(A\C)1.0000    3.0000    5.00007.0000    9.0000   11.000013.0000   15.0000   16.0000>> disp(inv(A)*C)1.0000    3.0000    5.00007.0000    9.0000   11.000013.0000   15.0000   16.0000

Numpy：

import numpy as npA = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 10]])
C = np.array([[54, 66, 75],[117, 147, 171],[193, 243, 283]])
invA = np.linalg.inv(A)
print(np.dot(invA, C))
# [[ 1.  3.  5.]
#  [ 7.  9. 11.]
#  [13. 15. 16.]]print(np.linalg.solve(A, C))
# [[ 1.  3.  5.]
#  [ 7.  9. 11.]
#  [13. 15. 16.]]

5. 矩阵的右除

矩阵的右除，常用于解线性方程组，XB=CXB=CXB=C。这时X=CB−1X=CB^{-1}X=CB−1，即矩阵CCC右除矩阵BBB。

【例1】已知矩阵BBB和CCC，求矩阵CCC右除BBB。

B=[1357911131516],C=[546675117147171193243283]B = \begin{bmatrix} 1&3&5\\ 7&9&11\\ 13&15&16\\ \end{bmatrix} , C = \begin{bmatrix} 54&66&75\\ 117&147&171\\ 193&243&283\\ \end{bmatrix} B=⎣⎡1713391551116⎦⎤,C=⎣⎡541171936614724375171283⎦⎤

Matlab：

矩阵的右除也为矩阵乘法的逆运算，但所求解矩阵的位置不同，若AB=CAB=CAB=C，则A=CB−1=C/BA=CB^{-1}=C/BA=CB−1=C/B，即矩阵AAA等于CCC右除BBB，注意右除用斜杠。

>> B=[1,3,5;7,9,11;13,15,16];
>> C=[54,66,75;117,147,171;193,243,283];
>> disp(C/B)1.0000    2.0000    3.00004.0000    5.0000    6.00007.0000    8.0000   10.0000>> disp(C*inv(B))1.0000    2.0000    3.00004.0000    5.0000    6.00007.0000    8.0000   10.0000

Numpy：

import numpy as npB = np.array([[1, 3, 5], [7, 9, 11], [13, 15, 16]])
C = np.array([[54, 66, 75],[117, 147, 171],[193, 243, 283]])
invB = np.linalg.inv(B)
print(np.dot(C, invB))
# [[ 1.  2.  3.]
#  [ 4.  5.  6.]
#  [ 7.  8. 10.]]print(np.linalg.solve(B.T, C.T).T)
# [[ 1.  2.  3.]
#  [ 4.  5.  6.]
#  [ 7.  8. 10.]]

总结

以上总结的不一定全，但先有个框架等后面在实践的过程中慢慢补充。今天就到这里吧。See You！

后台回复「搜搜搜」，随机获取电子资源！
欢迎关注，请扫描二维码：

技术图文：Matlab VS. Numpy 矩阵基本运算相关推荐

python矩阵左除_技术图文：Matlab VS. Numpy 矩阵基本运算
背景前段时间在知识星球上立了一个Flag,至少写10篇关于 Python,Matlab 和 C# 对比的总结. 这是第 3 篇,对比 Matlab 与 Numpy 在矩阵基本运算方面的区别与联系. ...
matlab 和 numpy 矩阵乘法异同
最近在用python做一点东西,发现python下面的矩阵运算和matlab是不同的,虽然之前找到了一个关于MATLAB与python在数学运算方面指令的对照表,但是感觉还是不够详细. 对照表链接:h ...
python矩阵乘法点乘_转（matlab和numpy矩阵乘法异同）
广义的矩阵的矩阵乘法包括:矩阵相乘,矩阵点乘,向量乘法与向量点乘,内积. 对应的MATLAB有[* , .* , dot]三种运算符.分别表示的相乘,点乘和内积. 而在numpy中呢,也有*和dot两 ...
MATLAB转置矩阵乘,【MATLAB】线性代数矩阵基本运算（转置，乘法，求逆）
文章目录创建矩阵向量转置矩阵乘法单位矩阵矩阵求逆创建矩阵 MATLAB 提供了许多函数,用于创建各种类型的矩阵.例如,您可以使用基于帕斯卡三角形的项创建一个对称矩阵: A = pascal ...
【MATLAB】线性代数矩阵基本运算（转置，乘法，求逆）
文章目录创建矩阵向量转置矩阵乘法单位矩阵矩阵求逆创建矩阵 MATLAB 提供了许多函数,用于创建各种类型的矩阵.例如,您可以使用基于帕斯卡三角形的项创建一个对称矩阵: A = pascal ...
技术图文：Matlab VS. Numpy 常见矩阵
背景前段时间在知识星球上立了一个Flag,至少写10篇关于 Python,Matlab 和 C# 对比的总结. 这是第 4 篇,对比 Matlab 与 Numpy 中经常用到的各种矩阵,比如零矩阵. ...
matlab 矩阵命令,matlab中的矩阵的基本运算命令
matlab中的矩阵的基本运算命令 (2013-07-19 08:45:49) 1.1 矩阵的表示 1.2 矩阵运算 1.2.14 特殊运算 1．矩阵对角线元素的抽取函数 diag 格式 X = d ...
MATLAB矩阵基本运算的实现（一）
MATLAB是matrix&laboratory两个词的组合,意为矩阵工厂(矩阵实验室),强大的矩阵运算能力是MATLAB的一个重要的特点,下面我就为大家整理了一下利用MATLAB实现矩阵基本 ...
Python 矩阵基本运算【numpy】
文章目录一.实验说明二.Python 矩阵基本运算 1. python矩阵操作 2. python矩阵乘法 3. python矩阵转置 4. python求方阵的迹 5. python方阵的行列式 ...

技术图文：Matlab VS. Numpy 矩阵基本运算

背景

1. 矩阵的转置

2. 矩阵的加法与减法

3. 矩阵的乘法

4. 矩阵的左除

5. 矩阵的右除

总结

技术图文：Matlab VS. Numpy 矩阵基本运算相关推荐

最新文章

热门文章