numpy.matvec#

numpy.matvec(x1, x2, /, out=None, *, casting='same_kind', order='K', dtype=None, subok=True[, signature, axes, axis]) = <ufunc 'matvec'>#

两个数组的矩阵-向量点积。

给定 x1 中的矩阵（或矩阵堆栈）\(\mathbf{A}\) 和 x2 中的向量（或向量堆栈）\(\mathbf{v}\)，矩阵-向量积定义为

\[\mathbf{A} \cdot \mathbf{b} = \sum_{j=0}^{n-1} A_{ij} v_j\]

其中求和是在 x1 和 x2 的最后维度上进行的（除非指定了 axes）。（对于向量共轭的矩阵-向量积，请使用 np.vecmat(x2, x1.mT)。）

2.2.0 版新增。

参数:

x1, x2array_like: 输入数组，不允许标量。
outndarray, 可选: 存储结果的位置。如果提供，它必须具有 x1 和 x2 广播后的形状，并移除求和轴。如果未提供或为 None，则使用新分配的数组。
**kwargs: 有关其他仅限关键字的参数，请参阅ufunc 文档。

返回:

yndarray: 输入数组的矩阵-向量积。

抛出:

ValueError

如果 x1 和 x2 的最后维度大小不同。

如果传入了标量值。

另请参阅

vecdot: 向量-向量积。
vecmat: 向量-矩阵积。
matmul: 矩阵-矩阵积。
einsum: 爱因斯坦求和约定。

示例

将一组向量沿 Z 轴从 Y 旋转到 X。

>>> a = np.array([[0., 1., 0.],
...               [-1., 0., 0.],
...               [0., 0., 1.]])
>>> v = np.array([[1., 0., 0.],
...               [0., 1., 0.],
...               [0., 0., 1.],
...               [0., 6., 8.]])
>>> np.matvec(a, v)
array([[ 0., -1.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  0.,  1.],
       [ 6.,  0.,  8.]])