Co oznacza macierz ** 2 w python/numpy?

Question

Mam temp pyton ndarray w niektórych kodu Czytam, że cierpi na tym: (tzn., Co odpowiada m * m)

x = temp**2 

Jest to kwadrat kropka lub macierzą kwadratową (czyli m musi być kwadratowa matryca)? W szczególności chciałbym wiedzieć, czy mogę pozbyć się transpozycji tego kodu:

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

i przekształcić go w ten sposób:

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

Będzie mi zaoszczędzić co najmniej 0,1 ms i jest zdecydowanie warta mojego czasu.
Dzięki! Operator ** jest niewykonalny i nic nie wiem! a

Answer 1

To tylko kwadrat każdego elementu.

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

drukuje

[[0 1] 
[4 9]] 

Answer 2

** jest operatorem podbicie do władzy w Pythonie, więc x**2 oznacza "x kwadrat" w Pythonie - tym numpy. Takie operacje w numpy zawsze stosują element po elemencie, więc każdy element tablicy (niezależnie od liczby wymiarów), taki jak, powiedzmy, x*2 podwoiłby każdy element, lub x+2 zwiększyłby każdy element o dwa (w każdym przypadku, x prawidłowy jest niezmieniony - wynikiem jest nowa tymczasowa tablica o tym samym kształcie, co x!).

Edit: jako @ kaizer.ze zwraca uwagę, podczas gdy to, co napisałem odnosi się do numpy.array obiektów, to nie stosuje się do obiektów, gdzie numpy.matrix oznacza mnożenie macierzy mnożenia zamiast elementu przez działanie elementu podobnego do array (i podobnie jak w przypadku podniesienia do władzy) - rzeczywiście, jest to kluczowa różnica między tymi dwoma typami. Jak Scipy tutorial kładzie to na przykład:

Gdy używamy numpy.array lub numpy.matrix istnieje różnica. A * x będzie w tym ostatnim przypadku macierzy produkt, a nie elementowo produkt jako z tablicą.

to jest gdy numpy reference mówi:

macierz jest wyspecjalizowanym 2-d Tablica który zachowuje swój charakter 2-d przez operacji. Ma pewne specjalne operatory , takie jak * (mnożenie macierzy ) i ** (moc matrycy).

Answer 3

Powinieneś przeczytać NumPy for Matlab Users. W tym miejscu wymieniona jest elementowa operacja zasilania, a można również zauważyć, że w numpy niektórzy operatorzy stosują różne metody w stosunku do array i 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]]