本文主講Python中Numpy數(shù)組的類型、全0全1數(shù)組的生成、隨機(jī)數(shù)組、數(shù)組操作、矩陣的簡(jiǎn)單運(yùn)算、矩陣的數(shù)學(xué)運(yùn)算。
盡管可以用python中l(wèi)ist嵌套來模擬矩陣，但使用Numpy庫(kù)更方便。
定義數(shù)組
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>> import numpy as np>>> m = np.array([[1,2,3], [2,3,4]]) #定義矩陣，int64>>> marray([[1, 2, 3], [2, 3, 4]])>>> m = np.array([[1,2,3], [2,3,4]], dtype=np.float) #定義矩陣,float64>>> marray([[1., 2., 3.], [2., 3., 4.]])>>> print(m.dtype) #數(shù)據(jù)類型 float64>>> print(m.shape) #形狀2行3列(2, 3)>>> print(m.ndim) #維數(shù)2>>> print(m.size) #元素個(gè)數(shù)6>>> print(type(m))<class 'numpy.ndarray'> |
還有一些特殊的方法可以定義矩陣
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
>>> m = np.zeros((2,2)) #全0>>> marray([[0., 0.], [0., 0.]])>>> print(type(m)) #也是ndarray類型<class 'numpy.ndarray'>>>> m = np.ones((2,2,3)) #全1>>> m = np.full((3,4), 7) #全為7>>> np.eye(3) #單位矩陣array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])>>> np.arange(20).reshape(4,5) #生成一個(gè)4行5列的數(shù)組>>>>>> np.random.random((2,3)) #[0,1)隨機(jī)數(shù)array([[0.51123127, 0.40852721, 0.26159126], [0.42450279, 0.34763668, 0.06167501]])>>> np.random.randint(1,10,(2,3)) #[1,10)隨機(jī)整數(shù)的2行3列數(shù)組array([[5, 4, 9], [2, 5, 7]])>>> np.random.randn(2,3) #正態(tài)隨機(jī)分布array([[-0.29538656, -0.50370707, -2.05627716], [-1.50126655, 0.41884067, 0.67306605]])>>> np.random.choice([10,20,30], (2,3)) #隨機(jī)選擇array([[10, 20, 10], [30, 10, 20]])>>> np.random.beta(1,10,(2,3)) #貝塔分布array([[0.01588963, 0.12635485, 0.22279098], [0.08950147, 0.02244569, 0.00953366]]) |
操作數(shù)組
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
>>> from numpy import *>>> a1=array([1,1,1]) #定義一個(gè)數(shù)組>>> a2=array([2,2,2])>>> a1+a2 #對(duì)于元素相加array([3, 3, 3])>>> a1*2 #乘一個(gè)數(shù)array([2, 2, 2])##>>> a1=np.array([1,2,3])>>> a1array([1, 2, 3])>>> a1**3 #表示對(duì)數(shù)組中的每個(gè)數(shù)做立方array([ 1, 8, 27])##取值，注意的是它是以0為開始坐標(biāo)，不matlab不同>>> a1[1]2##定義多維數(shù)組>>> a3=np.array([[1,2,3],[4,5,6]])>>> a3array([[1, 2, 3], [4, 5, 6]])>>> a3[0] #取出第一行的數(shù)據(jù)array([1, 2, 3])>>> a3[0,0] #第一行第一個(gè)數(shù)據(jù)1>>> a3[0][0] #也可用這種方式1>>> a3array([[1, 2, 3], [4, 5, 6]])>>> a3.sum(axis=0) #按行相加，列不變array([5, 7, 9])>>> a3.sum(axis=1) #按列相加，行不變array([ 6, 15]) |
矩陣的數(shù)學(xué)運(yùn)算
關(guān)于方陣
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
>>> m = np.array([[1,2,3], [2,2,3], [2,3,4]]) #定義一個(gè)方陣>>> marray([[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)) #解方程組[ 1. 3. -2.] |
矩陣乘法
矩陣乘：按照線性代數(shù)的乘法
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> a = np.array([[1,2,3], [2,3,4]])>>> b = np.array([[1,2], [3,4], [5,6]])>>> aarray([[1, 2, 3], [2, 3, 4]])>>> barray([[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：一維數(shù)組之間運(yùn)算時(shí)，dot()表示的是內(nèi)積。
點(diǎn)乘：對(duì)應(yīng)位置相乘
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
>>> a = np.array([[1,2],[3,4]])>>> b = np.array([[1,1],[2,2]])>>> aarray([[1, 2], [3, 4]])>>> barray([[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]]) |
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持服務(wù)器之家。
原文鏈接：https://www.cnblogs.com/lfri/p/10561001.html
