熊猫力矩阵乘法

Question

[我想使用Python Pandas强制矩阵乘法“定向”，在DataFrame与DataFrame之间，Dataframe与Series之间以及Series与Series之间。

作为示例，我尝试了以下代码：

t = pandas.Series([1, 2])
print(t.T.dot(t))

哪个输出：5

但是我希望这样：

[1 2
 2 4]

熊猫很棒，但是无法按我想要的方式进行矩阵乘法是最令人沮丧的事情，因此，任何帮助将不胜感激。

PS：我知道Pandas试图隐式使用索引来找到计算矩阵乘积的正确方法，但似乎无法关闭此行为！

Answer 1

[任何人现在都想考虑：pandas.Series.to_frame()。有点笨拙。

这是原始问题的示例：

import pandas as pd

t = pd.Series([1, 2])

t.to_frame() @ t.to_frame().T
# or equivalently:
t.to_frame().dot(t.to_frame().T)

哪个产量：

In [3]: t.to_frame().dot(t.to_frame().T)                                        
Out[3]: 
   0  1
0  1  2
1  2  4

Answer 2

这里：

In [1]: import pandas

In [2]: t = pandas.Series([1, 2])

In [3]: np.outer(t, t)
Out[3]:
array([[1, 2],
       [2, 4]])

Answer 3

由y-p找到的解决方案：

https://github.com/pydata/pandas/issues/3344#issuecomment-16533461

from pandas.util.testing import makeCustomDataframe as mkdf
a=mkdf(3,5,data_gen_f=lambda r,c: randint(1,100))
b=mkdf(5,3,data_gen_f=lambda r,c: randint(1,100))
c=DataFrame(a.values.dot(b.values),index=a.index,columns=b.columns)
print a
print b
print c
assert  (a.iloc[0,:].values*b.iloc[:,0].values.T).sum() == c.iloc[0,0]

C0       C_l0_g0  C_l0_g1  C_l0_g2  C_l0_g3  C_l0_g4
R0                                                  
R_l0_g0       39       87       88        2       65
R_l0_g1       59       14       76       10       65
R_l0_g2       93       69        4       29       58
C0       C_l0_g0  C_l0_g1  C_l0_g2
R0                                
R_l0_g0       76       88       11
R_l0_g1       66       73       47
R_l0_g2       78       69       15
R_l0_g3       47        3       40
R_l0_g4       54       31       31
C0       C_l0_g0  C_l0_g1  C_l0_g2
R0                                
R_l0_g0    19174    17876     7933
R_l0_g1    15316    13503     4862
R_l0_g2    16429    15382     7284

这里的断言是没有用的，它只是检查它是否确实是正确的矩阵乘法。

这里的关键似乎是第4行：

c=DataFrame(a.values.dot(b.values),index=a.index,columns=b.columns)

这是它计算a和b的点积，但是强制所得的DataFrame c具有a的索引和b的列，实际上是将点积转换为矩阵乘法，并且保持熊猫的样式，因为您保留了索引和列（您丢失了a的列和b的索引，但这在语义上是正确的，因为在矩阵乘法中，您对这些行进行求和，因此保留它们将毫无意义。）

这有点尴尬，但如果它与API的其余部分一致，就足够简单了（我仍然必须测试Series x Dataframe和Series x Series的结果，我将在这里发表我的发现）。] >