Numpy ndarray
本文主讲Python中Numpy数组的类型、全0全1数组的生成、随机数组、数组操作、矩阵的简单运算、矩阵的数学运算。
尽管可以用python中list嵌套来模拟矩阵，但使用Numpy库更方便。
定义数组
>>> import numpy as np
>>> m = np.array([[1,2,3], [2,3,4]]) #定义矩阵，int64
>>> m
array([[1, 2, 3],
[2, 3, 4]])
>>> m = np.array([[1,2,3], [2,3,4]], dtype=np.float) #定义矩阵,float64
>>> m
array([[1., 2., 3.],
[2., 3., 4.]])
>>> print(m.dtype) #数据类型
float64
>>> print(m.shape) #形状2行3列
(2, 3)
>>> print(m.ndim) #维数
2
>>> print(m.size) #元素个数
6
>>> print(type(m))
还有一些特殊的方法可以定义矩阵
>>> m = np.zeros((2,2)) #全0
>>> m
array([[0., 0.],
[0., 0.]])
>>> print(type(m)) #也是ndarray类型
>>> m = np.ones((2,2,3)) #全1
>>> m = np.full((3,4), 7) #全为7
>>> np.eye(3) #单位矩阵
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.arange(20).reshape(4,5) #生成一个4行5列的数组
>>>
>>> np.random.random((2,3)) #[0,1)随机数
array([[0.51123127, 0.40852721, 0.26159126],
[0.42450279, 0.34763668, 0.06167501]])
>>> np.random.randint(1,10,(2,3)) #[1,10)随机整数的2行3列数组
array([[5, 4, 9],
[2, 5, 7]])
>>> np.random.randn(2,3) #正态随机分布
array([[-0.29538656, -0.50370707, -2.05627716],
[-1.50126655, 0.41884067, 0.67306605]])
>>> np.random.choice([10,20,30], (2,3)) #随机选择
array([[10, 20, 10],
[30, 10, 20]])
>>> np.random.beta(1,10,(2,3)) #贝塔分布
array([[0.01588963, 0.12635485, 0.22279098],
[0.08950147, 0.02244569, 0.00953366]])
操作数组
>>> from numpy import *
>>> a1=array([1,1,1]) #定义一个数组
>>> a2=array([2,2,2])
>>> a1+a2 #对于元素相加
array([3, 3, 3])
>>> a1*2 #乘一个数
array([2, 2, 2])
##
>>> a1=np.array([1,2,3])
>>> a1
array([1, 2, 3])
>>> a1**3 #表示对数组中的每个数做立方
array([ 1, 8, 27])
##取值，注意的是它是以0为开始坐标，不matlab不同
>>> a1[1]
2
##定义多维数组
>>> a3=np.array([[1,2,3],[4,5,6]])
>>> a3
array([[1, 2, 3],
[4, 5, 6]])
>>> a3[0] #取出第一行的数据
array([1, 2, 3])
>>> a3[0,0] #第一行第一个数据
1
>>> a3[0][0] #也可用这种方式
1
>>> a3
array([[1, 2, 3],
[4, 5, 6]])
>>> a3.sum(axis=0) #按行相加，列不变
array([5, 7, 9])
>>> a3.sum(axis=1) #按列相加，行不变
array([ 6, 15])
矩阵的数学运算
关于方阵
>>> m = np.array([[1,2,3], [2,2,3], [2,3,4]]) #定义一个方阵
>>> m
array([[1, 2, 3],
[2, 2, 3],
[2, 3, 4]])
>>> print(np.linalg.det(m)) #求行列式
1.0
>>> print(np.linalg.inv(m)) #求逆
[[-1. 1. 0.]
[-2. -2. 3.]
[ 2. 1. -2.]]
>>> print(np.linalg.eig(m)) #特征值 特征向量
(array([ 7.66898014+0.j , -0.33449007+0.13605817j,
-0.33449007-0.13605817j]), array([[-0.47474371+0.j , -0.35654645+0.23768904j,
-0.35654645-0.23768904j],
[-0.53664812+0.j , 0.80607696+0.j ,
0.80607696-0.j ],
[-0.6975867 +0.j , -0.38956192-0.12190158j,
-0.38956192+0.12190158j]]))
>>> y = np.array([1,2,3])
>>> print(np.linalg.solve(m, y)) #解方程组
[ 1. 3. -2.]
矩阵乘法
矩阵乘：按照线性代数的乘法
>>> a = np.array([[1,2,3], [2,3,4]])
>>> b = np.array([[1,2], [3,4], [5,6]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> b
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.dot(a, b) #方法一
array([[22, 28],
[31, 40]])
>>> np.matmul(a,b) #方法二
array([[22, 28],
注：一维数组之间运算时，dot()表示的是内积。
点乘：对应位置相乘
>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[1,1],[2,2]])
>>> a
array([[1, 2],
[3, 4]])
>>> b
array([[1, 1],
[2, 2]])
>>> a * b #方法一
array([[1, 2],
[6, 8]])
>>> np.multiply(a, b) #方法二
array([[1, 2],
[6, 8]])
————————————————————
原文链接：https://www.jb51.net/article/161914.htm