numpy np.array与np.matrix（性能）

Question

通常，在使用numpy时，我会感到烦人的区别-当我从矩阵中提取向量或行，然后使用np.arrays执行操作时，通常会遇到问题。为了减少头痛，我np.matrix倾向于有时np.matrix只是为了简单起见使用（将所有np.arrays都转换为）。但是，我怀疑这会影响性能。任何人都可以评论这可能是什么以及其原因吗？似乎如果它们都只是底层的数组，则元素访问只是获取值的偏移量计算，所以我不确定在不通读整个源代码的情况下可能会有什么不同。更具体地说，这对性能有什么影响：v = np.matrix([1, 2, 3, 4])# versus the beloww = np.array([1, 2, 3, 4])

Answer 1

我添加了更多测试，看来array与matrix数组/矩阵小时相比，an的速度要快得多，但是对于较大的数据结构，差异会变得更小：

小（4x4）：

In [11]: a = [[1,2,3,4],[5,6,7,8]]

In [12]: aa = np.array(a)

In [13]: ma = np.matrix(a)

In [14]: %timeit aa.sum()

1000000 loops, best of 3: 1.77 us per loop

In [15]: %timeit ma.sum()

100000 loops, best of 3: 15.1 us per loop

In [16]: %timeit np.dot(aa, aa.T)

1000000 loops, best of 3: 1.72 us per loop

In [17]: %timeit ma * ma.T

100000 loops, best of 3: 7.46 us per loop

较大（100x100）：

In [19]: aa = np.arange(10000).reshape(100,100)

In [20]: ma = np.matrix(aa)

In [21]: %timeit aa.sum()

100000 loops, best of 3: 9.18 us per loop

In [22]: %timeit ma.sum()

10000 loops, best of 3: 22.9 us per loop

In [23]: %timeit np.dot(aa, aa.T)

1000 loops, best of 3: 1.26 ms per loop

In [24]: %timeit ma * ma.T

1000 loops, best of 3: 1.24 ms per loop

注意，矩阵的乘法运算实际上稍快一些。