1、Numpy是什么 很简单,Numpy是Python的一个科学计算的库,提供了矩阵运算的功能,其一般与Scipy、matplotlib一起使用。其实,list已经提供了类似于矩阵的表示形式,不过numpy为我们提供了更多的函数。如果接触过matlab、scilab,那么numpy很好入手。 在以下的代码示例中,总是先导入了numpy: 复制代码 代码如下:
>>> import numpy as np >>> print np.version.version 1.6.2
多维数组的类型是:numpy.ndarray。 使用numpy.array方法 以list或tuple变量为参数产生一维数组: 复制代码 代码如下:
>>> print np.array([1,2,3,4]) [1 2 3 4] >>> print np.array((1.2,2,3,4)) [ 1.2 2. 3. 4. ] >>> print type(np.array((1.2,2,3,4))) <type 'numpy.ndarray'> 以list或tuple变量为元素产生二维数组: 复制代码 代码如下:
>>> print np.array([[1,2],[3,4]]) [[1 2] [3 4]] 生成数组的时候,可以指定数据类型,例如numpy.int32, numpy.int16, and numpy.float64等: 复制代码 代码如下:
>>> print np.array((1.2,2,3,4), dtype=np.int32) [1 2 3 4] 使用numpy.arange方法 复制代码 代码如下:
>>> print np.arange(15) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] >>> print type(np.arange(15)) <type 'numpy.ndarray'> >>> print np.arange(15).reshape(3,5) [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] >>> print type(np.arange(15).reshape(3,5)) <type 'numpy.ndarray'> 使用numpy.linspace方法 例如,在从1到3中产生9个数: 复制代码 代码如下:
>>> print np.linspace(1,3,9) [ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ] 使用numpy.zeros,numpy.ones,numpy.eye等方法可以构造特定的矩阵 例如: 复制代码 代码如下:
>>> print np.zeros((3,4)) [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] >>> print np.ones((3,4)) [[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]] >>> print np.eye(3) [[ 1. 0. 0.] [ 0. 1. 0.] [ 0. 0. 1.]] 创建一个三维数组: 复制代码 代码如下:
>>> print np.zeros((2,2,2)) [[[ 0. 0.] [ 0. 0.]] [[ 0. 0.] 获取数组的属性: 复制代码 代码如下:
>>> a = np.zeros((2,2,2)) >>> print a.ndim #数组的维数 3 >>> print a.shape #数组每一维的大小 (2, 2, 2) >>> print a.size #数组的元素数 8 >>> print a.dtype #元素类型 float64 >>> print a.itemsize #每个元素所占的字节数 8
示例: 复制代码 代码如下:
>>> a = np.array( [[2,3,4],[5,6,7]] ) >>> print a [[2 3 4] [5 6 7]] >>> print a[1,2] 7 >>> print a[1,:] [5 6 7] >>> print a[1,1:2] [6] >>> a[1,:] = [8,9,10] >>> print a [[ 2 3 4] [ 8 9 10]] 使用for操作元素 复制代码 代码如下:
>>> for x in np.linspace(1,3,3): ... print x ... 1.0 2.0 3.0
先构造数组a、b: 复制代码 代码如下:
>>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print a [[ 1. 1.] [ 1. 1.]] >>> print b [[ 1. 0.] [ 0. 1.]] 数组的加减乘除: 复制代码 代码如下:
>>> print a > 2 [[False False] [False False]] >>> print a+b [[ 2. 1.] [ 1. 2.]] >>> print a-b [[ 0. 1.] [ 1. 0.]] >>> print b*2 [[ 2. 0.] [ 0. 2.]] >>> print (a*2)*(b*2) [[ 4. 0.] [ 0. 4.]] >>> print b/(a*2) [[ 0.5 0. ] [ 0. 0.5]] >>> print (a*2)**4 [[ 16. 16.] [ 16. 16.]] 使用数组对象自带的方法: 复制代码 代码如下:
>>> a.sum() 4.0 >>> a.sum(axis=0) #计算每一列(二维数组中类似于矩阵的列)的和 array([ 2., 2.]) >>> a.min() 1.0 >>> a.max() 1.0 使用numpy下的方法: 复制代码 代码如下:
>>> np.sin(a) array([[ 0.84147098, 0.84147098], [ 0.84147098, 0.84147098]]) >>> np.max(a) 1.0 >>> np.floor(a) array([[ 1., 1.], [ 1., 1.]]) >>> np.exp(a) array([[ 2.71828183, 2.71828183], [ 2.71828183, 2.71828183]]) >>> np.dot(a,a) ##矩阵乘法 array([[ 2., 2.], [ 2., 2.]])
使用numpy下的vstack和hstack函数: 复制代码 代码如下:
>>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print np.vstack((a,b)) [[ 1. 1.] [ 1. 1.] [ 1. 0.] [ 0. 1.]] >>> print np.hstack((a,b)) [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] 看一下这两个函数有没有涉及到浅拷贝这种问题: 复制代码 代码如下:
>>> c = np.hstack((a,b)) >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] >>> a[1,1] = 5 >>> b[1,1] = 5 >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] 可以看到,a、b中元素的改变并未影响c。
数组对象自带了浅拷贝和深拷贝的方法,但是一般用深拷贝多一些: 复制代码 代码如下:
>>> a = np.ones((2,2))
>>> b = a >>> b is a True >>> c = a.copy() #深拷贝 >>> c is a False 基本的矩阵运算 转置: 复制代码 代码如下:
>>> a = np.array([[1,0],[2,3]]) >>> print a [[1 0] [2 3]] >>> print a.transpose() [[1 2] [0 3]] 迹: 复制代码 代码如下:
>>> print np.trace(a) 4 numpy.linalg模块中有很多关于矩阵运算的方法: 复制代码 代码如下:
>>> import numpy.linalg as nplg 特征值、特征向量: 复制代码 代码如下:
>>> print nplg.eig(a) (array([ 3., 1.]), array([[ 0. , 0.70710678], [ 1. , -0.70710678]])) 3、矩阵 numpy也可以构造矩阵对象,这里不做讨论。 |
|