Che cosa significa matrice ** 2 in python/numpy?

Question

Ho una temperatura pitone ndarray in qualche codice che sto leggendo che soffre questo: (. Cioè, pari a m * m)

x = temp**2 

È questo il quadrato punto o la matrice quadrata (cioè m deve essere una matrice quadrata)? In particolare, mi piacerebbe sapere se posso sbarazzarsi della trasposizione in questo codice:

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

e trasformarlo in questo:

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

Questo mi farà risparmiare almeno 0,1 ms, e chiaramente vale la pena il mio tempo.
Grazie! L'operatore ** è ungooglable e non so nulla! a

Answer 1

È solo il quadrato di ogni elemento.

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

stampe

[[0 1] 
[4 9]] 

Answer 2

** è il rilancio-potenza operatore in Python, così x**2 significa "x ^" in Python - compreso NumPy. Tali operazioni in numpy si applicano sempre elemento per elemento, quindi x**2 piazze ogni elemento dell'array x (qualsiasi numero di dimensioni) come, ad esempio, x*2 raddoppierà ogni elemento oppure x+2 incrementerebbe ogni elemento di due (in ogni caso, x corretto non è influenzato: il risultato è un nuovo array temporaneo con la stessa forma di x!).

Edit: come @ kaizer.ze sottolinea, mentre ciò che ho scritto vale per numpy.array oggetti, non si applica ai numpy.matrix oggetti, dove moltiplicazione significa moltiplicazione matrice anziché elemento dall'operazione elemento come ad array (e allo stesso modo per alzare al potere) - in effetti, questa è la differenza chiave tra i due tipi. Come il Scipy tutorial lo mette, ad esempio:

Quando usiamo numpy.array o numpy.matrix c'è una differenza. A * x sarà nel secondo caso matrice prodotto, non elementare prodotto come con array.

cioè, come numpy reference mette:

Una matrice è un specializzato 2-d matrice che conserva il suo 2-d natura attraverso operazioni. Ha alcuni operatori speciali , come * (moltiplicazione matrix ) e ** (alimentazione matrice).

Answer 3

È necessario leggere NumPy for Matlab Users. Qui viene menzionata l'operazione di alimentazione elementwise, e puoi anche vedere che in numpy alcuni operatori si applicano in modo diverso a array e 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]]