相关疑难解决方法(0)

各有哪些优缺点？

从我所看到的情况来看,如果需要的话,任何一个都可以作为另一个的替代品,那么我是否应该使用它们或者我应该只坚持其中一个？

该计划的风格会影响我的选择吗？我正在使用numpy做一些机器学习,所以确实有很多矩阵,但也有很多向量(数组).

matrixNumPy中班级的状态是什么？

我一直被告知我应该使用这门ndarray课程.matrix在我编写的新代码中使用类是否值得/安全？我不明白为什么我应该使用ndarrays代替.

我在Python scipy模块中尝试了一个非常基本的示例,用于转置方法,但没有给出预期的结果.我在pylab模式下使用Ipython.

a = array([1,2,3]
print a.shape
>> (3,)
b = a.transpose()
print b.shape
>> (3,)

如果我打印数组"a"和"b"的内容,它们是相似的.

期望是:(这将导致Matlab om转置)

 [1,
  2,
  3]

我正在尝试计算股票投资组合的一阶和二阶矩（即预期回报和标准差）。

expected_returns_annual
Out[54]: 
           ticker
adj_close  CNP       0.091859
           F        -0.007358
           GE        0.095399
           TSLA      0.204873
           WMT      -0.000943
dtype: float64

type(expected_returns_annual)
Out[55]: pandas.core.series.Series



weights = np.random.random(num_assets)
weights /= np.sum(weights)
returns = np.dot(expected_returns_annual, weights)

所以通常预期回报计算为

(x1,...,xn' * (R1,...,Rn)

x1,...,xn 是具有约束的权重，所有权重必须加起来为 1，' 表示向量已转置。

现在我有点想知道 numpy dot 函数，因为

returns = np.dot(expected_returns_annual, weights)

和

returns = np.dot(expected_returns_annual, weights.T)

给出相同的结果。

我还测试了 weights.T 和 weights 的形状。

weights.shape
Out[58]: (5,)
weights.T.shape
Out[59]: (5,)

weights.T 的形状应该是 (,5) 而不是 (5,)，但 numpy 将它们显示为相等（我也尝试过 np.transpose，但结果相同）

有人知道为什么 numpy 会这样吗？在我看来， np.dot 乘积会自动塑造向量正确的原因，以便向量乘积运行良好。那是对的吗？

最好的问候汤姆

为什么numpy可以将2x2矩阵乘以1x2行向量？

import numpy as np

I = np.array([[1.0, 0.0], [0.0, 1.0]])
x = np.array([2.0,3.0])

In: I * x
Out: array([[ 2.,  0.], [ 0.,  3.]])

转置x也没有任何意义.行向量保持行向量？

In: x.T
Out: array([ 2.,  3.])

从数学的角度来看,表示非常混乱.