本文实例讲述了Python实现的矩阵转置与矩阵相乘运算。分享给大家供大家参考，具体如下：
本文实例讲述了Python实现的矩阵转置与矩阵相乘运算。分享给大家供大家参考，具体如下：
矩阵转置
方法一 ：使用常规的思路
def transpose(M):
# 初始化转置后的矩阵
result = []
# 获取转置前的行和列
row, col = shape(M)
# 先对列进行循环
for i in range(col):
# 外层循环的容器
item = []
# 在列循环的内部进行行的循环
for index in range(row):
item.append(M[index][i])
result.append(item)
return result
思路：矩阵的转置就是从行变成列, 列变成行
- 先定义一个最终存放矩阵的容器
- 先对列进行循环i，并定义一个临时数组用于存放数据，在每次列的循环内部，再次对行进行循环j，取第M[j][i]个元素存入一个临时数组中
- 在每次列循环完毕，将临时数组存入最终数组中
- 当列循环完毕, 最终数组就是矩阵的转置
方法二：使用zip解包
def transpose(M):
# 直接使用zip解包成转置后的元组迭代器，再强转成list存入最终的list中
return [list(row) for row in zip(*M)]
思路:
zip 解包后，返回一个将多个可迭代对象组合成一个元组序列的迭代器，正如：
my_zip = list(zip(['a', 'b', 'c'], [1, 2, 3]))
print(my_zip) # [('a', 1), ('b', 2), ('c', 3)]
在每次循环中将元组强转成list 并存入总list中
矩阵相乘
def matrixMultiply(A, B):
# 获取A的行数和列数
A_row, A_col = shape(A)
# 获取B的行数和列数
B_row, B_col = shape(B)
# 不能运算情况的判断
if(A_col != B_row):
raise ValueError
# 最终的矩阵
result = []
# zip 解包后是转置后的元组，强转成list, 存入result中
BT = [list(row) for row in zip(*B)]
# 开始做乘积运算
for A_index in range(A_row):
# 用于记录新矩阵的每行元素
rowItem = []
for B_index in range(len(BT)):
# num 用于累加
num = 0
for Br in range(len(BT[B_index])):
num += A[A_index][Br] * BT[B_index][Br]
# 累加完成后，将数据存入新矩阵的行中
rowItem.append(num)
result.append(rowItem)
return result
说明： A矩阵与B矩阵的乘法运算，最终得到新的矩阵X ， 思路
- 首先判断是否可以相乘：前提条件是A的列与B的行要相同
- 我们可以画图理解：假如A是3行5列，B是5行2列，相乘结果是3行2列
- 将B转置后是2行5列，我们称之为BT, 这样 A 和 BT 都是5列了
- 则A的每行中的第 i 个元素 * BT每行中的第 i 个元素，相加构成新矩阵X的新行，循环A行，共3行，则新矩阵X就会逐步添加新行，待循环完毕，得到新矩阵X