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
<class 'numpy.ndarray'>
>>> 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]])
参考链接：
1、https://blog.csdn.net/chenhjie/article/details/73385353
2、https://blog.csdn.net/taoyanqi8932/article/details/52703686
3、https://blog.csdn.net/cqk0100/article/details/76221749
4、dot的使用 https://blog.csdn.net/u012149181/article/details/78913416