NumPy中matrix课程的状态如何？
我一直被告知我应该使用ndarray课程。在我编写的新代码中使用matrix类是否值得/安全？我不明白为什么我应该使用ndarrays代替。
TL;博士：numpy.matrix课程已被弃用。有一些高调的库依赖于类作为依赖（最大的一个是scipy.sparse）阻碍了类的适当的短期弃用，但强烈建议用户使用ndarray类（通常使用numpy.array方便创建）功能）而不是。随着用于矩阵乘法的@算子的引入，已经消除了矩阵的许多相对优势。
numpy.matrix是numpy.ndarray的子类。它最初是为了方便地用于涉及线性代数的计算，但与更通用的数组类的实例相比，它们的行为方式存在局限性和惊人的差异。行为基本差异的例子：
np.matrix(np.random.rand(2,3))[None,...,None].shape == (1,2,3,1)（并非这具有任何实际意义）。arr[:,0]为2d阵列给你1d arr[0,:]，而ndarray有形状mat[:,0]和(N,1)有形状mat[0,:]在(1,M)的情况下。matrix有效，如果mat1 * mat2，但mat1.shape[1] == mat2.shape[0]有效，如果arr1 * arr2（当然结果意味着完全不同的东西）。另外，令人惊讶的是，arr1.shape == arr2.shape执行两个矩阵的元素划分。这种行为可能是继承自mat1 / mat2但对矩阵毫无意义，特别是考虑到ndarray的含义。*：a few handy attributes和mat.A分别是与mat.A1和np.array(mat)具有相同值的数组视图。 np.array(mat).ravel()和mat.T是矩阵的转置和共轭转置（伴随）; mat.H是arr.T类唯一存在的属性。最后，ndarray是mat.I的逆矩阵。编写适用于ndarrays或矩阵的代码非常容易。但是当两个类有可能在代码中进行交互时，事情开始变得困难。特别是，很多代码可以自然地用于mat的子类，但ndarray是一个不良行为的子类，可以轻松破坏试图依赖鸭子类型的代码。考虑使用形状matrix的数组和矩阵的以下示例：
(3,4)根据我们切片的尺寸，添加两个对象的切片是灾难性的不同。当形状相同时，矩阵和数组的加法在元素上发生。上面的前两种情况很直观：我们添加了两个数组（矩阵），然后我们从每个数组中添加两行。最后一种情况真的很令人惊讶：我们可能想要添加两列并最终得到一个矩阵。当然的原因是import numpy as np
shape = (3, 4)
arr = np.arange(np.prod(shape)).reshape(shape) # ndarray
mat = np.matrix(arr) # same data in a matrix
print((arr + mat).shape) # (3, 4), makes sense
print((arr[0,:] + mat[0,:]).shape) # (1, 4), makes sense
print((arr[:,0] + mat[:,0]).shape) # (3, 3), surprising
有形状arr[:,0]与形状(3,)兼容，但(1,3)有形状mat[:.0]。这两个是(3,1)一起塑造broadcast。
最后，当(3,3)首次实施the @ matmul operator was introduced in python 3.5时，矩阵类的最大优势（即，简明地表达涉及大量矩阵产品的复杂矩阵表达式的可能性）被删除。比较简单二次形式的计算：
in numpy 1.10
看看上面的内容，很明显为什么矩阵类广泛用于线性代数：infix v = np.random.rand(3); v_row = np.matrix(v)
arr = np.random.rand(3,3); mat = np.matrix(arr)
print(v.dot(arr.dot(v))) # pre-matmul style
# 0.713447037658556, yours will vary
print(v_row * mat * v_row.T) # pre-matmul matrix style
# [[0.71344704]]
print(v @ arr @ v) # matmul style
# 0.713447037658556
算子使表达式更简洁，更易于阅读。但是，我们使用*运算符使用现代python和numpy获得相同的可读性。此外，请注意矩阵的情况给我们一个形状@的矩阵，技术上应该是一个标量。这也意味着我们不能将列向量与这个“标量”相乘：上例中的(1,1)会引发错误，因为形状为(v_row * mat * v_row.T) * v_row.T和(1,1)的矩阵不能按此顺序相乘。
为了完整起见，应该注意的是，尽管matmul算子修复了与矩阵相比ndarray不是最理想的最常见场景，但是使用ndarrays处理线性代数仍然存在一些缺点（尽管人们仍然倾向于认为整体上它是最好坚持后者）。一个这样的例子是矩阵幂：(3,1)是矩阵的适当的第三矩阵幂（而它是ndarray的元素立方体）。不幸的是mat ** 3更加冗长。此外，就地矩阵乘法仅适用于矩阵类。相比之下，虽然numpy.linalg.matrix_power和PEP 465都允许python grammar作为matmul的增强赋值，但是numpar 1.15中没有实现ndarrays。
考虑到上述关于@=类的复杂性，长期以来一直在讨论其可能的弃用问题。引入matrix中缀运算符，这是这个过程@的一个巨大先决条件。不幸的是，早期矩阵类的优点意味着它的使用范围很广。有些库依赖于矩阵类（其中一个最重要的依赖是happened in September 2015，它使用scipy.sparse语义并且通常在致密化时返回矩阵），因此完全弃用它们一直存在问题。
已经在numpy.matrix我发现了诸如此类的评论
numpy是为通用计算需求而设计的，而不是任何一个数学分支。 nd-arrays对很多东西非常有用。相比之下，Matlab最初设计为线性代数包的简单前端。就我个人而言，当我使用Matlab时，我发现非常尴尬 - 我通常会编写100行与线性代数无关的代码行，因为每几行实际上都进行了矩阵数学运算。所以我更喜欢numpy的方式 - 代码的线性代数行更长，更尴尬，但其余的要好得多。
Matrix类是例外：is是为了提供表达线性代数的自然方式而编写的。然而，当你混合矩阵和数组时，事情变得有点棘手，即使坚持使用矩阵也存在混淆和限制 - 你如何表达行与列向量？迭代矩阵时你会得到什么？等等
有很多关于这些问题的讨论，很多好的想法，关于如何改进它的一点共识，但没有一个有技能的人有足够的动力去做。
这些反映了矩阵类带来的好处和困难。我能找到的最早的弃用建议是a numpy mailing list thread from 2009，虽然部分原因是由于非直观的行为已经改变（特别是切片和迭代矩阵将导致（行）矩阵，因为人们很可能会期望）。该建议表明这是一个备受争议的主题，并且用于矩阵乘法的中缀运算符至关重要。
下一次提到我可以找到from 2008，结果证明是一个非常富有成效的线程。随后的讨论提出了一般处理numpy子类的问题，is from 2014。还有which general theme is still very much on the table：
引发此讨论（在Github上）的原因是，不可能编写适用于以下情况的鸭类代码：
- ndarrays
- 矩阵
- scipy.sparse稀疏矩阵
这三者的语义不同; scipy.sparse介于矩阵和ndarray之间，有些东西像矩阵一样随机工作，而其他东西则没有。
添加了一些hyberbole，可以说从开发人员的角度来看，np.matrix正在做，并且已经通过现有的方式做了恶，通过搞乱Python中ndarray语义的未说明的规则。
接下来是对矩阵可能的未来进行了大量有价值的讨论。即使当时没有strong criticism运算符，也有很多人考虑过矩阵类的弃用以及它如何影响下游用户。据我所知，这个讨论直接导致了PEP 465的推出，引入了matmul。
@：
在我看来，np.matrix的“固定”版本应该（1）不是np.ndarray子类，（2）存在于第三方库中，而不是numpy本身。
我认为将np.matrix作为ndarray子类固定在当前状态是不可行的，但即使是固定矩阵类也不属于numpy本身，它具有太长的发布周期和实验的兼容性保证 - 更不用说在numpy中仅仅存在矩阵类会导致新用户误入歧途。
一旦In early 2015算子有一段时间可用@，the discussion of deprecation surfaced again关于矩阵弃用和reraising the topic的关系。
最终，scipy.sparse。关于班上的家属：
社区如何处理scipy.sparse矩阵子类？这些仍然是常用的。
他们不会去任何地方很长一段时间（直到稀疏的ndarrays至少实现）。因此，需要移动np.matrix，而不是删除。
（first action to deprecate numpy.matrix was taken in late November 2017）和
虽然我想像任何人一样摆脱np.matrix，但很快就会这样做会非常具有破坏性。
- 那些不太了解的人写了很多小脚本;我们确实希望他们学习不使用np.matrix，但打破他们所有的脚本是一种痛苦的方法
- 由于scipy.sparse，像scikit-learn这样的主要项目除了使用np.matrix之外别无选择。
所以我认为前进的方向是：
- 现在或每当有人聚在一起PR：在np.matrix .__ init__中发出PendingDeprecationWarning（除非它杀死scikit-learn和朋友的表现），并在文档的顶部放置一个大警告框。这里的想法是实际上不打破任何人的代码，但是开始告诉我们，如果他们有任何替代方案，我们绝对不认为任何人应该使用它。
- 之后有scipy.sparse的替代方案：提升警告，可能一直到FutureWarning，这样现有的脚本不会中断，但它们确实会收到嘈杂的警告
- 最终，如果我们认为它会降低维护成本：将其拆分为子包
（Qazxswpoi）。
截至2018年5月（numpy 1.15，相关的source和source）pull request包含以下注释：
不再建议使用此类，即使对于线性代数也是如此。而是使用常规数组。该课程将来可能会被删除。
与此同时，commit被添加到matrix class docstring。不幸的是，PendingDeprecationWarning，所以numpy的大多数最终用户都不会看到这种强烈暗示。
最后，matrix.__new__截至2018年11月提到了多个相关主题，作为“任务和功能[numpy社区]将投入资源”之一：
NumPy中的一些内容实际上与NumPy的范围不匹配。
- numpy.fft的后端系统（例如fft-mkl不需要monkeypatch numpy）
- 重写掩码数组不是一个ndarray子类 - 可能在一个单独的项目中？
- MaskedArray作为鸭子阵列类型，和/或
- 支持缺失值的dtypes
- 写一个关于如何处理linalg和fft（和实现它）的numpy和scipy之间重叠的策略。
- 弃用np.matrix
只要较大的库/许多用户（特别是deprecation warnings are (almost always) silenced by default）依赖于矩阵类，这种状态很可能会持续下去。然而，有the numpy roadmap移动scipy.sparse依赖其他东西，如ongoing discussion。无论弃用过程的发展如何，用户都应该在新代码中使用scipy.sparse类，并且如果可能的话，最好移植旧代码。最终，矩阵类可能最终会出现在一个单独的包中，以消除由于其当前形式存在而造成的一些负担。