Nhân ma trận NumPy (numpy dot): toán tử @ và np.dot()
Bài 19/23 · Chương 2
Mảng và tư duy vector
- 7 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 12
Nhân ma trận trong NumPy (numpy dot, numpy matrix multiplication) là phép nhân từng cặp số rồi cộng lại, viết bằng toán tử @ hay hàm np.dot(). Bạn dùng nó mỗi khi có một bảng số lượng và một bảng giá, chẳng hạn số ly bán của ba chi nhánh nhân với giá bốn món để ra doanh thu từng chi nhánh.
Cần biết trước: toán tử trong Python, mảng NumPy và shape, ndim, dtype.
Nhân rồi cộng hai dãy số bằng @
Chi nhánh Huế bán 40 ly cà phê sữa, 25 ly bạc xỉu, 18 ly trà đào và 9 ly sinh tố trong một buổi. Giá bốn món tính theo nghìn đồng là 29, 32, 35 và 45. Doanh thu là tổng của bốn tích "số ly nhân giá":
import numpy as np
so_ly_hue = np.array([40, 25, 18, 9])
gia = np.array([29, 32, 35, 45])
print(so_ly_hue * gia)
print(so_ly_hue @ gia)
print(np.dot(so_ly_hue, gia))KẾT QUẢ
[1160 800 630 405]
2995
2995Phép * nhân từng cặp và giữ đủ bốn số. Toán tử @ làm thêm một bước: cộng bốn tích đó lại, nên ra một số duy nhất, 2.995 nghìn đồng. np.dot() là cách viết bằng hàm của cùng phép tính. @ là toán tử có sẵn trong Python từ bản 3.5, nằm cạnh +, * trong bảng toán tử; list thường không dùng được nó, chỉ mảng NumPy mới định nghĩa phép này. Hai dãy phải dài bằng nhau, vì mỗi số lượng cần đúng một giá.
Bảng @ dãy: doanh thu của từng chi nhánh
Thêm Đà Lạt và Hà Nội, số ly thành một bảng shape (3, 4): mỗi hàng một chi nhánh, mỗi cột một món. @ lấy từng hàng của bảng nhân rồi cộng với dãy giá:
import numpy as np
so_ly = np.array([[40, 25, 18, 9],
[31, 40, 22, 15],
[55, 38, 30, 20]])
gia = np.array([29, 32, 35, 45])
doanh_thu = so_ly @ gia
print(so_ly.shape, gia.shape, doanh_thu.shape)
print(doanh_thu)KẾT QUẢ
(3, 4) (4,) (3,)
[2995 3624 4761]Kết quả có một số cho mỗi chi nhánh: Huế 2.995, Đà Lạt 3.624, Hà Nội 4.761 nghìn đồng. Chiều 4 (bốn món) biến mất vì đã được cộng lại, chỉ còn chiều 3 của các chi nhánh. Không có vòng lặp nào: một phép @ thay cho ba lần cộng bốn tích. Đổi [29, 32, 35, 45] thành [30, 32, 35, 45] rồi chạy lại: dòng cuối in [3035 3655 4816], vì mỗi chi nhánh cộng thêm đúng số ly cà phê sữa của mình.
Quy tắc shape: chiều ở giữa phải khớp
Quán có hai bảng giá: giá thường và giá cho khách thành viên. Xếp hai bảng giá thành hai cột, ta có mảng gia2 shape (4, 2). Nhân bảng số ly với nó cho doanh thu của mỗi chi nhánh theo cả hai bảng giá cùng lúc:
import numpy as np
so_ly = np.array([[40, 25, 18, 9],
[31, 40, 22, 15],
[55, 38, 30, 20]])
gia2 = np.array([[29, 26],
[32, 29],
[35, 31],
[45, 40]])
ket_qua = so_ly @ gia2
print(ket_qua.shape)
print(ket_qua)KẾT QUẢ
(3, 2)
[[2995 2683]
[3624 3248]
[4761 4262]]Viết hai shape cạnh nhau: (3, 4) @ (4, 2). Hai số đứng giữa, 4 và 4, phải bằng nhau, vì mỗi hàng bên trái (số ly bốn món) gặp mỗi cột bên phải (giá bốn món). Hai số ở ngoài cho shape kết quả: (3, 2), ba chi nhánh nhân hai bảng giá. Ô hàng i, cột j là "hàng i của bảng trái @ cột j của bảng phải". Mảng một chiều (4,) ở bên phải được coi như một cột, nên (3, 4) @ (4,) ở mục trước cho (3,).
@ khác * thế nào
Cùng hai mảng, * và @ cho hai thứ khác hẳn. * nhân từng ô theo luật broadcasting và giữ shape của bảng; @ nhân rồi cộng theo quy tắc ở mục trên. Thử trên hai bảng vuông nhỏ, nơi cả hai phép đều chạy:
import numpy as np
bang_trai = np.array([[2, 1],
[0, 3]])
bang_phai = np.array([[5, 4],
[1, 2]])
print(bang_trai * bang_phai)
print(bang_trai @ bang_phai)KẾT QUẢ
[[10 4]
[ 0 6]]
[[11 10]
[ 3 6]]Ô trên trái của * là 2 × 5. Ô trên trái của @ là hàng đầu [2, 1] nhân rồi cộng với cột đầu [5, 1]: 2 × 5 + 1 × 1 = 11. Với bảng vuông, cả hai đều không báo lỗi, nên viết nhầm * thành @ (hay ngược lại) sẽ ra số sai mà không có thông báo nào. Khi bạn muốn "tổng của số lượng nhân giá", hỏi lại: kết quả cần một số cho mỗi hàng (@), hay một số cho mỗi ô (*)?
np.dot() cho cùng kết quả với @ trên mảng một và hai chiều. Khác biệt duy nhất bạn hay gặp: np.dot(bang, 2) chấp nhận một số và nhân từng ô như *, còn bang @ 2 báo lỗi, vì một số không có chiều nào để khớp. Code mới thường viết @ cho dễ đọc.
Kiểm tra nhanh
Sau
import numpy as np,print(np.array([1, 2, 3]) @ np.array([4, 5, 6]))in ra gì?[ 4 10 18]32- Báo lỗi
ValueError
Bảng
Acó shape(3, 4).A @ Bkhông báo lỗi khiBcó shape nào?(4,)(3,)(4, 2)(3, 4)
Sau
import numpy as np,print(np.ones((2, 3)) @ np.ones((2, 3)))báo lỗi gì?- Báo lỗi
TypeError - Báo lỗi
ValueError - Báo lỗi
IndexError
- Báo lỗi
Trong ví dụ doanh thu ba chi nhánh, đổi
so_ly @ giathànhso_ly * giathì kết quả có shape nào?(3,)(4,)(3, 4)
Bài tập
Tính chi phí nguyên liệu theo từng nhà cung cấp
Quán muốn biết mỗi món tốn bao nhiêu tiền nguyên liệu nếu mua của từng nhà cung cấp. cong_thuc có mỗi hàng là một món, mỗi cột là số gram một nguyên liệu, shape (so_mon, so_nguyen_lieu). gia có mỗi hàng là một nguyên liệu, mỗi cột là giá theo đồng mỗi gram của một nhà cung cấp, shape (so_nguyen_lieu, so_nha_cung_cap). Viết thân hàm chi_phi_mon(cong_thuc, gia). Hàm không sửa hai mảng của nơi gọi.
Dùng nhân ma trận, không dùng vòng lặp for và không dùng sum().
Trả về: chi phí của món ở hàng i khi mua của nhà cung cấp ở cột j, shape (so_mon, so_nha_cung_cap), một ndarray.
Ví dụ hai món [[20, 30, 5], [10, 45, 5]] và giá [[300, 280], [60, 65], [25, 22]] cho [[7925 7660] [5825 5835]].
import numpy as np
def chi_phi_mon(cong_thuc, gia):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
a @ bvới hai dãy cùng độ dài nhân từng cặp rồi cộng lại, cho một số.Bảng
(m, n) @ (n,)cho(m,): mỗi hàng của bảng nhân rồi cộng với dãy.(m, n) @ (n, p)cho(m, p); hai chiều đứng giữa phải bằng nhau, nếu không NumPy báoValueError.A @ BkhácB @ A: đổi thứ tự thường báo lỗi hay ra số khác.*nhân từng ô và giữ shape;@nhân rồi cộng nên bớt đi chiều chung.np.dot(a, b)cho cùng kết quả vớia @ btrên mảng một và hai chiều.
Câu hỏi thường gặp
np.dot() và toán tử @ khác nhau thế nào?
Trên mảng một và hai chiều, hai cách cho cùng kết quả. np.dot() còn nhận một số (nhân từng ô như *), còn @ báo lỗi khi một vế là số. Với mảng từ ba chiều trở lên, hai cách ghép chiều khác nhau; code phân tích dữ liệu thường viết @ cho rõ ý.
Vì sao nhân ma trận NumPy báo lỗi mismatch in its core dimension?
Chiều cuối của mảng bên trái khác chiều đầu của mảng bên phải. Viết hai shape cạnh nhau như (4,) @ (3, 4) để thấy cặp số đứng giữa; thường chỉ cần đổi thứ tự hai vế. Lỗi broadcast của phép * là một thông báo khác, trang lỗi operands could not be broadcast giải thích nó.
Có cần np.matrix để nhân ma trận không?
Không. np.matrix là lớp cũ, NumPy khuyên không dùng cho code mới. Mảng ndarray thường cùng toán tử @ làm được mọi phép nhân ma trận; bài mảng NumPy dạy cách tạo mảng đó.
Nhân ma trận có dùng được với list Python không?
Không trực tiếp: [1, 2] @ [3, 4] báo TypeError, vì list không định nghĩa toán tử @. Đổi list sang mảng bằng np.array() trước. np.dot() thì tự đổi list sang mảng, nhưng kết quả vẫn là số hay mảng NumPy.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.