Почему в модуле NumPy отсутствует атрибут matrix и как это исправить?

Вы столкнулись с AttributeError: module 'numpy' has no attribute 'matrix'? Вы не одиноки. Этот атрибут, ранее предназначенный для работы с матрицами, был удален из библиотеки NumPy. Это изменение может сбить с толку, особенно если вы работаете с устаревшим кодом или обучающими материалами. Современный NumPy использует универсальные и более гибкие объекты ndarray для всех числовых операций, включая матричные. В этой статье мы подробно рассмотрим причины отказа от numpy.matrix, объясним, как эффективно выполнять матричные операции с ndarray, и предложим практические решения для обновления вашего кода, чтобы избежать этой ошибки.

Почему numpy.matrix больше не существует?

В более ранних версиях NumPy класс numpy.matrix предоставлял специализированный тип для работы с 2D-матрицами. Однако с развитием библиотеки и, в частности, типа ndarray, стало очевидно, что matrix создает больше проблем, чем решает. Основные причины его устаревания и последующего удаления включают:

• Избыточность функционала: ndarray способен выполнять все матричные операции, доступные в matrix, и даже больше, предлагая при этом большую гибкость для многомерных данных.

• Непоследовательное поведение: matrix имел свои собственные правила умножения (матричное умножение по умолчанию, в отличие от поэлементного для ndarray), что приводило к путанице.

• Сложность поддержки: Поддержание двух схожих, но не полностью совместимых типов увеличивало сложность кодовой базы и документации. Это также затрудняло освоение библиотеки новыми пользователями.

Устаревание и удаление numpy.matrix

В рамках эволюции библиотеки NumPy, класс numpy.matrix был сначала объявлен устаревшим. Это произошло в версии 1.16, когда пользователи начали получать предупреждения о его предстоящем удалении. Окончательное удаление numpy.matrix из основного дистрибутива произошло с выходом NumPy версии 1.20.

С этого момента попытки прямого доступа к numpy.matrix приводят к ошибке AttributeError: module 'numpy' has no attribute 'matrix', подтверждая его полное отсутствие в современных установках NumPy. Это решение было продиктовано стремлением к унификации и упрощению API.

Причины отказа от numpy.matrix

Основная причина отказа от numpy.matrix заключалась в том, что он вносил путаницу и дублирование функциональности. Его ключевое отличие — оператор * для матричного умножения — часто приводил к ошибкам, так как для стандартных ndarray этот оператор означает поэлементное умножение. С введением оператора @ (PEP 465) для матричного умножения, ndarray получил унифицированный и интуитивно понятный способ выполнения этой операции. Это устранило одно из немногих «преимуществ» matrix, сделав его избыточным и потенциально вводящим в заблуждение.

Работа с матрицами в современном NumPy

В современном NumPy ndarray выступает как универсальный и предпочтительный тип данных для всех числовых массивов, включая те, что представляют матрицы. Все матричные операции теперь выполняются с использованием именно ndarray. Создать "матрицу" можно, инициализировав двумерный ndarray:

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

Основные матричные операции, такие как сложение, вычитание, умножение на скаляр и транспонирование, работают интуитивно. Для матричного умножения следует использовать оператор @ (или функцию np.matmul):

C = A @ B  # Матричное умножение
D = A * B  # Поэлементное умножение
E = A.T    # Транспонирование

Использование ndarray для матричных операций

В современном NumPy ndarray является универсальным типом данных, способным эффективно представлять не только одномерные массивы, но и многомерные структуры, включая двухмерные матрицы. Создание такой "матрицы" осуществляется путем передачи списка списков или использованием функций типа np.array().

import numpy as np

# Создание 2D ndarray (матрицы)
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

print(A)
# [[1 2]
#  [3 4]]

Для выполнения основных арифметических операций, таких как сложение, вычитание и поэлементное умножение, используются стандартные операторы +, -, *. Как уже упоминалось, для матричного умножения необходимо использовать оператор @, что делает код более явным и устойчивым, соответствуя современным практикам NumPy.

Основные матричные операции с ndarray

Современный NumPy позволяет выполнять все стандартные матричные операции непосредственно с объектами ndarray, используя интуитивно понятный синтаксис. Для поэлементного сложения, вычитания или умножения просто используйте соответствующие операторы (+, -, *). Матричное умножение (скалярное произведение) выполняется с помощью оператора @ (или np.dot()). Транспонирование матрицы легко достигается с помощью атрибута .T.

Например:

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# Поэлементное сложение
C = A + B # [[ 6,  8], [10, 12]]

# Матричное умножение
D = A @ B # [[19, 22], [43, 50]]

# Транспонирование
E = A.T   # [[1, 3], [2, 4]]

Это демонстрирует, что для большинства пользователей ndarray является полноценной и более гибкой заменой.

Решение ошибки AttributeError: module 'numpy' has no attribute 'matrix'

Ошибка AttributeError: module 'numpy' has no attribute 'matrix' явно указывает на попытку использования устаревшего класса. Для её устранения следует заменить все вызовы np.matrix(...) на np.array(...) при инициализации матриц. Критически важно также проверить операции умножения: если раньше * между numpy.matrix выполняло матричное умножение, то для ndarray необходимо использовать оператор @ (или функцию np.dot() для Python версий до 3.5).

Исправление кода: замена numpy.matrix на numpy.ndarray

Самый простой способ исправить ошибку AttributeError: module 'numpy' has no attribute 'matrix' — заменить все экземпляры numpy.matrix на numpy.ndarray (или просто np.array). Затем убедитесь, что матричные операции выполняются с использованием оператора @ (матричное умножение) или соответствующих функций NumPy, таких как numpy.matmul().

Пример:

Вместо:

import numpy as np

m = np.matrix([[1, 2], [3, 4]])
n = np.matrix([[5, 6], [7, 8]])
p = m * n

Используйте:

import numpy as np

m = np.array([[1, 2], [3, 4]])
n = np.array([[5, 6], [7, 8]])
p = m @ n  # Или np.matmul(m, n)

Важно проверить код после замены, чтобы убедиться, что поведение осталось прежним, особенно если вы полагались на специфические особенности numpy.matrix.

Практические примеры и рекомендации

При переходе от numpy.matrix к numpy.ndarray важно помнить о синтаксических изменениях. Вместо m = np.matrix([[1, 2], [3, 4]]) используйте m = np.array([[1, 2], [3, 4]]). Для матричного умножения m1 * m2 теперь используйте m1 @ m2 или np.matmul(m1, m2). Это обеспечивает совместимость и позволяет использовать все преимущества ndarray.

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# Матричное умножение
C = A @ B
# print(C)
# [[19 22]
#  [43 50]]

D = np.matmul(A, B)
# print(D)
# [[19 22]
#  [43 50]]

Всегда предпочитайте ndarray для всех матричных операций в новых проектах.

Сравнение numpy.matrix и numpy.ndarray

Хотя numpy.matrix имел строгие правила для 2D-матриц, ndarray предлагает несравненно большую гибкость и универсальность, поддерживая N-мерные массивы. Это делает ndarray стандартным и более мощным инструментом для всех численных вычислений в NumPy, обеспечивая единообразие и упрощая код.

Ключевые отличия и преимущества ndarray

ndarray является универсальным и основным типом данных в NumPy, поддерживающим массивы произвольной размерности, в отличие от matrix, ограниченного 2D. Это обеспечивает большую гибкость и единообразие. ndarray использует оператор @ для матричного умножения, что делает операции явными и менее подверженными ошибкам по сравнению с * в matrix.

Когда мог быть полезен numpy.matrix (исторический контекст)

Исторически numpy.matrix был удобен для пользователей, переходящих с MATLAB, предлагая более привычный синтаксис для линейной алгебры. Он гарантировал двумерность, предотвращая ошибки формы в матричных вычислениях. Оператор * по умолчанию выполнял матричное умножение, что было преимуществом до появления оператора @ для ndarray. Для строго 2D-операций он предоставлял простую и понятную абстракцию.

Заключение

Таким образом, мы выяснили, что AttributeError: module 'numpy' has no attribute 'matrix' возникает из-за устаревания и последующего удаления numpy.matrix в последних версиях библиотеки. numpy.ndarray стал единым и универсальным решением для работы с данными любой размерности, включая двумерные матрицы. Переход на использование ndarray не только устраняет ошибку, но и открывает доступ к более широкому спектру функций и улучшенной производительности, делая ваш код более современным и эффективным.