[Numpy] matrix (행렬)

1-1. 덧셈

shape이 같아야 하고, 같은 position끼리 연산한다.

a = np.array([[1, 2, 3], [2, 3, 4]])
b = np.array([[3, 4, 5], [1, 2, 3]])

a + b  # array([[4, 6, 8], [3, 5, 7]])

 

 

1-2. sum

행 sum: np.sum(arr, axis=0)

열 sum: np.sum(arr, axis=1)

a = np.array([[1, 2, 3], [2, 3, 4]])

np.sum(a, axis=0)  # array([3, 5, 7])
np.sum(a, axis=1)  # array([6, 9])

 

 

 

2. 뺄셈

shape이 같아야 하고, 같은 position끼리 연산한다.

a = np.array([[1, 2, 3], [2, 3, 4]])
b = np.array([[3, 4, 5], [1, 2, 3]])

a – b  # array([[-2, -2, -2], [1, 1, 1]])

 

 

 

3-1. 곱셈

shape이 같아야 하고, 같은 position끼리 연산한다.

a = np.array([[1, 2, 3], [2, 3, 4]])
b = np.array([[3, 4, 5], [1, 2, 3]])

a * b  # array([[3, 8, 15], [2, 6, 12]])

 

 

3-2. dot

a = np.array([[1, 2, 3], [1, 2, 3], [2, 3, 4]])
b = np.array([[1, 2], [3, 4], [5, 6]])

a.shape, b.shape  # ((3, 3), (3, 2))

위에서 a와 b의 shape은 각각 (3, 3), (3, 2) 이다.

이때, 맞닿는 shape이 같아야 dot 연산이 가능하고, 연산 결과 matrix의 shape은 바깥쪽 shape과 같다.

np.dot(a, b)  # array([[22, 28], [22, 28], [31, 40]])
a.dot(b)  # array([[22, 28], [22, 28], [31, 40]])

  참고) 행렬의 곱셈

 

 

 

4. Broadcasting

뒷 차원에서부터 비교하여 Shape이 같거나, 차원 중 값이 1인 것이 존재하면 연산이 가능하다.

a = np.array([[1, 2, 3], [2, 3, 4]])
b = np.array([[3, 3, 3], [3, 3, 3]])

a + 3  # array([[4, 5, 6], [5, 6, 7]])
a – 3  # array([[-2, -1, 0], [-1, 0, 1]])
a * 3  # array([[3, 6, 9], [6, 9, 12]])
a / 3  # array([[0.33333333, 0.66666667, 1. ], [0.66666667, 1. , 1.33333333]])