Ma trận ** 2 có nghĩa là gì trong python/numpy?

Question

Tôi có một tạm python ndarray ở một số mã tôi đang đọc mà bị thế này: (. Tức là tương đương với m * m)

x = temp**2 

Đây có phải là dấu chấm vuông hoặc hình vuông ma trận (tức là m phải một ma trận vuông)? Đặc biệt, tôi muốn biết liệu tôi có thể thoát khỏi các transpose trong mã này:

temp = num.transpose(whatever) 
num.sum(temp**2,axis=1)) 

và biến nó thành này:

num.sum(whatever**2,axis=0) 

Điều đó sẽ tiết kiệm cho tôi ít nhất 0.1ms, và rõ ràng xứng đáng với thời gian của tôi.
Cảm ơn! Toán tử ** không thể giải quyết được và tôi không biết gì cả! a

Answer 1

Nó chỉ là hình vuông của mỗi phần tử.

from numpy import * 
a = arange(4).reshape((2,2)) 
print a**2 

in

[[0 1] 
[4 9]] 

Answer 2

** là các nhà điều hành tăng-to-điện bằng Python, vì vậy x**2 có nghĩa là "x bình phương" bằng Python - bao gồm NumPy. Các hoạt động như vậy trong phần tử luôn luôn áp dụng phần tử theo nguyên tố, do đó, x**2 hình vuông mỗi phần tử của mảng x (bất kỳ số thứ nguyên nào) giống như, x*2 sẽ tăng gấp đôi mỗi phần tử hoặc x+2 sẽ tăng từng phần tử lên hai (trong mỗi trường hợp, x thích hợp không bị ảnh hưởng - kết quả là một mảng tạm thời mới có cùng hình dạng như x!).

Sửa: như @ kaizer.ze chỉ ra, trong khi những gì tôi đã viết giữ cho numpy.array đối tượng, nó không áp dụng cho numpy.matrix đối tượng, nơi nhân nghĩa nhân ma trận chứ không phải là phần tử bằng cách hoạt động yếu tố như cho array (và tương tự như để nâng cao sức mạnh) - thực sự, đó là sự khác biệt chính giữa hai loại. Khi Scipy tutorial đặt nó, ví dụ:

Khi chúng tôi sử dụng numpy.array hoặc numpy.matrix có sự khác biệt. A * x sẽ nằm trong ma trận trường hợp sau sản phẩm, không phải sản phẩm theo nguyên tố là với mảng.

ví dụ như numpy reference đặt nó:

Một ma trận là một chuyên ngành 2-d mảng mà vẫn giữ được bản chất 2-d của mình thông qua các hoạt động . Nó có một số toán tử đặc biệt là , chẳng hạn như * (ma trận phép nhân) và ** (ma trận điện).

Answer 3

Bạn nên đọc NumPy for Matlab Users. Hoạt động quyền lực theo nguyên tố được đề cập ở đó và bạn cũng có thể thấy điều đó ở dạng gumpy, một số toán tử áp dụng khác nhau cho array và matrix.

>>> from numpy import * 
>>> a = arange(4).reshape((2,2)) 
>>> print a**2 
[[0 1] 
[4 9]] 
>>> print matrix(a)**2 
[[ 2 3] 
[ 6 11]]