python中矩阵、数组使用@的含义
更新时间:2026年08月12日 09:33:51 作者:Nefu_lyh
本文详细解析了Python中@运算符在不同数据结构(数组和矩阵)下的使用方法及运算规则,包括矩阵乘法、数组乘法的具体实现与示例,感兴趣的可以了解一下
1.当@连接的两项为数组时,有两种计算形式:
(1)符合矩阵运算维度:(m×n)维×(n×y)维 =(m×y)维
运算方式与矩阵相乘类似:对应位置相乘再相加,运算期间类类型都为数组
例子见下:
a = np.arange(12).reshape(3,4) b = np.arange(12).reshape(4,3) print(a) ''' [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] ''' print(b) ''' [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] ''' c = a @ b print(c) ''' [[ 42 48 54] [114 136 158] [186 224 262]] ''' #<class 'numpy.ndarray'>
(2)不符合矩阵运算维度:(m×n)维×(1×n)维 =(1×m)维
运算方式为:第一个数组的第1行与第二个数组对应位置相乘相加后,得到结果的第1位,第一个数组的第2行与第二个数组对应位置相乘相加后,得到结果的第2位…
例子见下:
a = np.arange(12).reshape(3,4) b = np.arange(4) print(a) ''' [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] ''' print(b) #[0 1 2 3] c = a @ b print(c) ''' [14 38 62] '''
2.当@连接的两项为矩阵时
维度必须符合矩阵运算:(m×n)维×(n×y)维 =(m×y)维
a = np.mat(np.arange(12).reshape(3,4)) #<class 'numpy.matrix'> b = np.mat(np.arange(4).reshape(3,4)) print(a) ''' [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] ''' print(b) ''' [[0] [1] [2] [3]] ''' c = a @ b print(c) ''' [[14] [38] [62]] '''
3.当@连接的两项一项为矩阵,一项为数组时
运算维度维度:(m×n)维×(1×n)维 =(1×m)维
运算方式为:第一个数组的第1行与第二个数组对应位置相乘相加后,得到最终结果的第1位,第一个数组的第2行与第二个数组对应位置相乘相加后,得到最终结果的第2位…
运算结果为矩阵
a = np.mat(np.arange(12).reshape(3,4)) b = np.arange(4) c = a @ b print(a) ''' [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] ''' print(b) ''' [0 1 2 3] ''' print(c) #[[14 38 62]]
到此这篇关于python中矩阵、数组使用@的含义的文章就介绍到这了,更多相关python矩阵、数组使用@内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!


最新评论