### Python 中矩阵相乘的方法汇总 在 Python 的科学计算领域中，`NumPy` 和 `Pandas` 是两个非常重要的工具库。它们都支持高效的矩阵运算功能。 #### 使用 NumPy 进行矩阵相乘 `NumPy` 提供了多种方式来进行矩阵相乘操作： 1. **使用 `np.dot()` 函数** 此函数可以执行向量点积、矩阵-向量乘法以及矩阵-矩阵乘法。 ```python import numpy as np matrix1 = np.array([[1, 2], [3, 4]]) matrix2 = np.array([[5, 6], [7, 8]]) result_dot = np.dot(matrix1, matrix2) print(result_dot) # 输出 [[19 22], [43 50]] ``` 2. **使用 `@` 运算符** 自 Python 3.5 起引入的 `@` 符号可以直接用于矩阵乘法，语法更加简洁直观。 ```python result_at = matrix1 @ matrix2 print(result_at) # 输出 [[19 22], [43 50]] ``` 3. **使用 `np.matmul()` 函数** 类似于 `np.dot()`，但它仅适用于二维数组之间的矩阵乘法。 ```python result_matmul = np.matmul(matrix1, matrix2) print(result_matmul) # 输出 [[19 22], [43 50]] ``` 以上三种方法均可实现矩阵间的乘法操作[^1]。 #### 使用 Pandas 进行矩阵相乘 虽然 `Pandas` 主要专注于数据框 (`DataFrame`) 处理，但在某些情况下也可以通过其底层依赖的 `NumPy` 来完成矩阵运算。 1. **转换为 NumPy 数组后再进行矩阵乘法** 如果需要利用 `Pandas DataFrame` 数据结构中的数值型数据参与矩阵运算，则可以通过 `.to_numpy()` 方法将其转化为 `NumPy array` 后再调用上述提到的任意一种矩阵乘法方法。 ```python import pandas as pd df1 = pd.DataFrame([[1, 2], [3, 4]], columns=['A', 'B']) df2 = pd.DataFrame([[5, 6], [7, 8]], columns=['C', 'D']) result_pandas_to_numpy = df1.to_numpy() @ df2.to_numpy() print(result_pandas_to_numpy) # 输出 [[19 22], [43 50]] ``` 需要注意的是，在将 `Pandas DataFrame` 转化成 `NumPy Array` 时可指定 dtype 参数以优化性能或满足特定需求[^3]。 总结来说，无论是纯 `NumPy` 环境还是结合 `Pandas` 工作流下都可以灵活运用不同形式达成目标——即完成两矩阵间按线性代数定义下的乘积计算过程[^2]。 ```python import numpy as np import pandas as pd matrix1_np = np.array([[1, 2], [3, 4]]) matrix2_np = np.array([[5, 6], [7, 8]]) df1_pd = pd.DataFrame([[1, 2], [3, 4]], columns=['A', 'B']) df2_pd = pd.DataFrame([[5, 6], [7, 8]], columns=['C', 'D']) result_np_dot = np.dot(matrix1_np, matrix2_np) print("Using np.dot():\n", result_np_dot) result_np_matmul = np.matmul(matrix1_np, matrix2_np) print("\nUsing np.matmul():\n", result_np_matmul) result_at_operator = matrix1_np @ matrix2_np print("\nUsing '@' operator:\n", result_at_operator) result_pandas_to_numpy = df1_pd.to_numpy() @ df2_pd.to_numpy() print("\nPandas to Numpy and using '@':\n", result_pandas_to_numpy) ```