NumPy array与matrix区别及矩阵乘法@和*避坑指南

脚本专家

NumPy 中 array 和 matrix 都能表示二维数据，但乘法运算符、转置、一维向量解释差异明显。实际开发中常见的 ValueError: shapes (3,3) and (1,3) not aligned，往往就是混用 ndarray 和 matrix 的 *、@ 导致。下面结合实测过程，把 array 与 matrix 的区别、矩阵乘法写法、维度排查方法整理出来。

一、array 与 matrix 的基本关系

NumPy 的主要对象是同种元素的多维数组 ndarray。维度叫轴，轴的个数叫秩，这同线性代数中的矩阵秩不是一个概念；要求矩阵秩，可以用 np.linalg.matrix_rank。matrix 是 array 的分支（子类），很多场景通用。官方建议如果两者都能用，优先 array：更灵活、更快，还能表示 3、4、5 维；matrix 的优势是运算符简单，两个矩阵相乘可以直接用 *，而 array 的 * 是逐元素乘法，普通矩阵乘法要用 dot 或 @。

2. import numpy as np
4. i = np.matrix(np.eye(4))
5. print(type(i))
6. print(np.linalg.matrix_rank(i))
8. i = np.eye(4)
9. print(type(i))
10. print(np.linalg.matrix_rank(i))

复制代码

输出分别是 matrix 类型、4、ndarray 类型、4。说明两者都能被 matrix_rank 处理，但类型不同。

二、array 中的 @、* 与一维 shape

np.array([1,2,3]) 的 shape 是 (3,)，它既可能被当作行向量，也可能被当作列向量，取决于放在矩阵乘法左边还是右边。@ 是矩阵乘法，* 或 np.multiply 是数量积/逐元素乘法。示例：

2. import numpy as np
4. a = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1]])
5. b = np.array([1, 2, 3])
7. c1 = a @ b
8. c2 = b @ a
9. print(c1)
10. print(c2)

复制代码

c1 相当于 (3,3) @ (3,)，得到 (3,)；c2 相当于 (3,) @ (3,3)，也得到 (3,)。这说明一维 ndarray 在 @ 两侧会按规则参与矩阵乘法，但不要把它当成真正固定形状的行向量或列向量。

再看逐元素乘法：

2. import numpy as np
4. a = np.array([[1, 0, 2], [0, 0, 1], [0, 0, 1]])
5. b = np.array([1, 2, 1])
7. c1 = a * b
8. c2 = b * a
9. print(c1)
10. print(c2)

复制代码

这里 * 不会执行矩阵乘法，而是把 b 广播到 a 的每一列/每一行，结果仍是逐元素运算。

三、matrix 中 * 是矩阵乘法，multiply 才是逐元素乘法

matrix 与 ndarray 最大的差异在于运算符含义。matrix 中 * 直接表示矩阵乘法。例如：

2. import numpy as np
4. a = np.mat([[1, 0, 0], [0, 1, 0], [0, 0, 1]])
5. b = np.mat([1, 2, 3])
7. c = b * a
8. print(c.shape)
9. c2 = np.multiply(a, b)
10. print(c2)

复制代码

b 被构造为 matrix 后，形状是 (1,3)，即行向量。因此 b * a 是 (1,3)*(3,3)，可以执行。若写 a * b，则等价于 (3,3)*(1,3)，会报：

2. ValueError: shapes (3,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)

复制代码

原因是 matrix 中 * 调用矩阵乘法，a 的列数 3 与 b 的行数 1 不匹配。若要让 a * b 成立，需要把 b 变成列向量，例如 b.reshape(3,1) 或 b.T。逐元素乘法在 matrix 中要用 np.multiply：

2. c = np.multiply(a, b)
3. print(c)

复制代码

输出为：

2. [[1 0 0]
3. [0 2 0]
4. [0 0 3]]

复制代码

四、@ 在 matrix 中同样可用

实测 @ 在 matrix 中也可表示矩阵乘法，并且与 * 的结果一致：

2. import numpy as np
4. a = np.mat([[1], [1], [1]])
5. b = np.mat([1, 1, 1])
7. c1 = a @ b
8. c2 = a * b
9. print(c1 == c2)

复制代码

输出全为 True。也就是说，在 matrix 中 @ 和 * 都可表示叉乘/矩阵乘法；但在 array 中 @ 才是矩阵乘法，* 是逐元素乘法。

五、为什么 (1×2) 和 (1×3) 直接相乘会报错

如果要实现 (1×2) 与 (1×3) 相乘，直观做法是先把 (1×2) 转置成 (2×1)，再与 (1×3) 相乘，得到 (2×3)。但直接用一维 array 会出问题：

2. import numpy as np
4. a = np.array([1, 1])
5. b = np.array([1, 1, 1])
6. c = a @ b

复制代码

报错：

2. ValueError: shapes (2,) and (3,) not aligned: 2 (dim 0) != 3 (dim 0)

复制代码

这是因为一维 ndarray 的 @ 不是把 a 当 (1,2)、把 b 当 (3,1) 的二维矩阵乘法，而是要求参与运算的一维长度一致。解决办法是借助 matrix 转换为明确的二维矩阵：

2. import numpy as np
4. a = np.array([1, 1])
5. b = np.array([1, 1, 1])
6. c = (np.matrix(a).T) @ (np.matrix(b))
7. print(c)

复制代码

输出：

2. [[1 1 1]
3. [1 1 1]]

复制代码

这里 np.matrix(a).T 得到 (2,1)，np.matrix(b) 得到 (1,3)，相乘后就是 (2,3)。

六、.T 转置对一维 array 不起作用，对 matrix 起作用

二维 array 可以正常转置：

2. import numpy as np
4. a = np.array([[1, 1, 1], [1, 1, 1]])
5. print(a.T.shape)

复制代码

输出 (3,2)。但一维 array 不行：

2. import numpy as np
4. a = np.array([1, 1, 1])
5. print(a.shape)
6. print(a.T.shape)

复制代码

输出都是 (3,)，转置后形状不变。matrix 则可以：

2. import numpy as np
4. a = np.mat([[1, 1, 1]])
5. print(a.shape)
6. print(a.T.shape)

复制代码

输出 (1,3) 和 (3,1)。这也是上面用 np.matrix(a).T 能把一维数组变成列向量的原因。

七、实践建议

实际写 NumPy 矩阵运算时，建议每一步都打印 shape，尤其是在 @、*、dot、multiply 混用时。需要矩阵语义时，优先把一维数组 reshape 成明确二维形状，如 (n,1) 或 (1,n)；或者使用 @ 配合二维 array。matrix 虽然让 * 直接表示矩阵乘法，但容易与 array 的广播、逐元素乘法混淆，官方也更推荐 array。只要明确 array 和 matrix 在 *、@、multiply、.T 上的差异，就能避免 shapes not aligned 一类错误。