numpy np.array 与 np.matrix （性能）

Question

通常在使用 numpy 时，我发现这种区别很烦人 - 当我从矩阵中提取一个向量或一行，然后使用 np.arrays 执行操作时，通常会出现问题。

为了减少头痛，为了简单起见，我有时只使用np.matrix（将所有np.arrays 转换为np.matrix）。但是，我怀疑会有一些性能影响。任何人都可以评论这些可能是什么以及原因吗？

如果它们都只是底层的数组，那么元素访问只是获取值的偏移量计算，所以如果不阅读整个源代码，我不确定可能会有什么区别。

更具体地说，这对性能有何影响：

v = np.matrix([1, 2, 3, 4])
# versus the below
w = np.array([1, 2, 3, 4])

谢谢

Answer 1

在SciPy.org 和this question 上有一般性讨论。

为了比较性能，我在 iPython 中执行了以下操作。事实证明，数组要快得多。

In [1]: import numpy as np
In [2]: %%timeit
   ...: v = np.matrix([1, 2, 3, 4])
100000 loops, best of 3: 16.9 us per loop

In [3]: %%timeit
   ...: w = np.array([1, 2, 3, 4])
100000 loops, best of 3: 7.54 us per loop

因此，numpy 数组似乎比 numpy 矩阵具有更快的性能。

使用的版本：

Numpy：1.7.1

IPython：0.13.2

Python：2.7

Answer 2

我添加了更多测试，当数组/矩阵较小时，array 似乎比 matrix 快得多，但对于较大的数据结构，差异会变小：

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

更大 (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

请注意，矩阵的乘法实际上稍微快一些。

我相信我在这里得到的内容与 @Jaime 解释评论的内容一致。