R语言矩阵运算：矩阵乘除法与逐元素乘除法计算对比
在数据分析和科学计算中，矩阵是无处不在的核心数据结构。R语言作为一款为统计计算而生的强大工具，提供了丰富且简洁的矩阵运算方法。本文将详细介绍R语言中两种核心的矩阵运算：标准的矩阵乘除法和更为直观的逐元素乘除法，助你轻松驾驭矩阵的这两种常用的乘除法计算。
文章目录
- R语言矩阵运算：矩阵乘除法与逐元素乘除法计算对比
-
- [1 矩阵的创建](#1 矩阵的创建)
- [2 矩阵乘法](#2 矩阵乘法)
-
- [2.1 矩阵乘法 (Matrix Multiplication)](#2.1 矩阵乘法 (Matrix Multiplication))
- [2.2 逐元素乘法 (Element-wise Multiplication)](#2.2 逐元素乘法 (Element-wise Multiplication))
- [3 矩阵除法](#3 矩阵除法)
-
- [3.1 矩阵除法 (Matrix Division)](#3.1 矩阵除法 (Matrix Division))
- [3.2 逐元素除法 (Element-wise Division)](#3.2 逐元素除法 (Element-wise Division))
- [4 总结](#4 总结)
1 矩阵的创建
在开始之前，我们首先需要创建几个示例矩阵，以便后续演示。在R中，我们可以使用matrix()函数来创建矩阵。
r
# 创建两个2x2的矩阵 A 和 B
A <- matrix(c(1, 2, 3, 4), nrow = 2, byrow = TRUE)
B <- matrix(c(5, 6, 7, 8), nrow = 2, byrow = TRUE)
# 创建一个2x3的矩阵 C
C <- matrix(1:6, nrow = 2, ncol = 3, byrow = TRUE)
# 打印矩阵
print("矩阵 A:")
print(A)
print("矩阵 B:")
print(B)
print("矩阵 C:")
print(C)运行上述代码，我们将得到：
[1] "矩阵 A:"
[,1] [,2]
[1,] 1 2
[2,] 3 4
[1] "矩阵 B:"
[,1] [,2]
[1,] 5 6
[2,] 7 8
[1] "矩阵 C:"
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 62 矩阵乘法
R语言中的矩阵乘法分为两种：矩阵乘法（Matrix Multiplication） 和 逐元素乘法（Element-wise Multiplication）。
2.1 矩阵乘法 (Matrix Multiplication)
标准的矩阵乘法遵循线性代数的规则，即第一个矩阵的列数必须等于第二个矩阵的行数。在R中，我们使用 %*% 运算符来执行此操作。
计算公式:
若 C = A × B C = A \times B C=A×B，则 C i j = ∑ k = 1 n A i k B k j C_{ij} = \sum_{k=1}^{n} A_{ik} B_{kj} Cij=∑k=1nAikBkj
R代码示例:
r
# 矩阵A和矩阵B的矩阵乘法 (2x2 %*% 2x2)
result_mat_mul <- A %*% B
print("A 和 B 的矩阵乘法结果:")
print(result_mat_mul)
# 矩阵A和矩阵C的矩阵乘法 (2x2 %*% 2x3)
result_mat_mul_2 <- A %*% C
print("A 和 C 的矩阵乘法结果:")
print(result_mat_mul_2)输出结果:
[1] "A 和 B 的矩阵乘法结果:"
[,1] [,2]
[1,] 19 22
[2,] 43 50
[1] "A 和 C 的矩阵乘法结果:"
[,1] [,2] [,3]
[1,] 9 12 15
[2,] 19 26 332.2 逐元素乘法 (Element-wise Multiplication)
逐元素乘法，也称为哈达玛积（Hadamard Product），是指两个维度相同的矩阵，将它们对应位置的元素相乘。在R中，我们使用 * 运算符来完成。
计算公式:
若 C = A ∗ B C = A * B C=A∗B，则 C i j = A i j × B i j C_{ij} = A_{ij} \times B_{ij} Cij=Aij×Bij
R代码示例:
r
# 矩阵A和矩阵B的逐元素乘法
# 要求矩阵维度必须相同
result_element_mul <- A * B
print("A 和 B 的逐元素乘法结果:")
print(result_element_mul)输出结果:
[1] "A 和 B 的逐元素乘法结果:"
[,1] [,2]
[1,] 5 12
[2,] 21 32注意： 如果尝试对维度不同的矩阵（例如 A 和 C）进行逐元素乘法，R会报错。
3 矩阵除法
与乘法类似，矩阵的除法也分为矩阵除法（Matrix Division） 和 逐元素除法（Element-wise Division）。
3.1 矩阵除法 (Matrix Division)
在标准的线性代数中，并没有直接定义矩阵的"除法"。通常，一个矩阵除以另一个矩阵（例如 A / B A/B A/B）可以理解为矩阵 A A A 乘以矩阵 B B B 的逆矩阵 ( A × B − 1 A \times B^{-1} A×B−1)。
因此，进行矩阵除法需要先求出除数矩阵的逆。在R中，我们可以使用 solve() 函数来求解可逆矩阵（方阵且行列式不为0）的逆。
计算公式:
A / B = A × B − 1 A / B = A \times B^{-1} A/B=A×B−1
R代码示例:
r
# 首先，求矩阵B的逆矩阵
if (det(B) != 0) {
B_inv <- solve(B)
print("矩阵 B 的逆矩阵:")
print(B_inv)
# 然后，用A乘以B的逆
result_mat_div <- A %*% B_inv
print("A "除以" B 的结果 (A %*% solve(B)):")
print(result_mat_div)
} else {
print("矩阵 B 是奇异矩阵，不可逆。")
}输出结果:
[1] "矩阵 B 的逆矩阵:"
[,1] [,2]
[1,] -4.0 3.0
[2,] 3.5 -2.5
[1] "A "除以" B 的结果 (A %*% solve(B)):"
[,1] [,2]
[1,] 3.0 -2.0
[2,] 2.0 -1.0为什么
solve(B)在R语言中表示求矩阵B的逆？在数学中，一个非常常见的问题是解以下形式的线性方程组： A x = b Ax = b Ax=b，其中 A A A 是一个已知的系数矩阵， x x x 是我们想要解的未知变量向量， b b b 是一个已知的常数向量。R语言中的
solve()函数就是为了解（solve）线性方程组 而设计的。它最标准的用法是solve(A, b)，它会直接给出解 x x x。从数学上看，要求解 A x = b Ax = b Ax=b，一种方法是在方程两边同时左乘 A A A 的逆矩阵 A − 1 A^{-1} A−1：
A − 1 A x = A − 1 b A^{-1}Ax = A^{-1}b A−1Ax=A−1b I x = A − 1 b ( 因为 A − 1 A = I , 单位矩阵 ) Ix = A^{-1}b \quad (\text{因为 } A^{-1}A = I, \text{单位矩阵}) Ix=A−1b(因为 A−1A=I,单位矩阵) x = A − 1 b x = A^{-1}b x=A−1b这个公式告诉我们，如果我们预先知道了逆矩阵 A − 1 A^{-1} A−1，我们就可以通过矩阵乘法求出任何 b b b 对应的解 x x x。
solve()函数的设计逻辑就是：
solve(A, b)：当同时提供A和b时，函数的目标是求解一个特定的方程组 ，并返回解 x x x。 *solve(A)：当只提供A时，函数的目标是提供一个可以用来解决任何与A相关的方程组的"通用求解器" 。
这个通用的求解器就是逆矩阵 A − 1 A^{-1} A−1。实际上，
solve(A)可以被看作是solve(A, b)在b为单位矩阵（Identity Matrix）时的特殊情况。解方程 A X = I AX = I AX=I，得到的 X X X 正是 A A A 的逆矩阵 A − 1 A^{-1} A−1。在R中，如果b参数被省略，它就默认是单位矩阵。因此，
solve(B)之所以是求B的逆矩阵，是因为逆矩阵本身就是解线性方程组这个更广泛问题的一个核心组成部分和一种特殊情况。建议在实际应用中，如果你想要求解 A x = b Ax = b Ax=b，应该始终优先使用
solve(A, b)，而不是solve(A) %*% b。前者在计算上更快速、数值上也更稳定。只有在你确实需要逆矩阵本身时，才使用solve(A)。
3.2 逐元素除法 (Element-wise Division)
逐元素除法与逐元素乘法类似，即两个维度相同的矩阵，将它们对应位置的元素相除。在R中，我们使用 / 运算符。
计算公式:
若 C = A / B C = A / B C=A/B，则 C i j = A i j / B i j C_{ij} = A_{ij} / B_{ij} Cij=Aij/Bij
R代码示例:
r
# 矩阵A和矩阵B的逐元素除法
# 要求矩阵维度必须相同
result_element_div <- A / B
print("A 和 B 的逐元素除法结果:")
print(result_element_div)输出结果:
[1] "A 和 B 的逐元素除法结果:"
[,1] [,2]
[1,] 0.2000000 0.3333333
[2,] 0.4285714 0.50000004 总结
掌握R语言中的矩阵运算是进行高级数据分析的基础。以下是本文核心知识点的总结：
| 运算类型 | R 运算符/函数 | 描述 | 条件 |
|---|---|---|---|
| 矩阵乘法 | %*% |
遵循线性代数规则的矩阵相乘 | 第一个矩阵的列数必须等于第二个矩阵的行数 |
| 逐元素乘法 | * |
对应位置的元素相乘 | 两个矩阵的维度必须完全相同 |
| 矩阵除法 | A %*% solve(B) |
乘以一个矩阵的逆矩阵 | 除数矩阵必须是可逆的方阵 |
| 逐元素除法 | / |
对应位置的元素相除 | 两个矩阵的维度必须完全相同 |
通过理解并区分这两种运算模式，你将能够更加灵活和准确地在R中处理各种矩阵计算任务。希望这篇教程能对你有所帮助！