NumPy库的核心是矩阵及其运算。 使用array()函数可以将python的array_like数据转变成数组形式,使用matrix()函数转变成矩阵形式。 基于习惯,在实际使用中较常用array而少用matrix来表示矩阵。 然后即可使用相关的矩阵运算了
import numpy as np a = [[1,2,3],[4,5,5],[4,5,5]] len = a.shape[0] #多维数组的行数 print(a.dtype) #输出元素类型 #另外也还可以使用切片方式来处理数组
然后是涉及到的ufunc(universal function)运算,它是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的,因此它们的计算速度非常快。 1 >>> x = np.linspace(0, 2*np.pi, 10) 2 # 对数组x中的每个元素进行正弦计算,返回一个同样大小的新数组 3 >>> y = np.sin(x) 4 >>> y 5 array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 6 8.66025404e-01, 3.42020143e-01, -3.42020143e-01, 7 -8.66025404e-01, -9.84807753e-01, -6.42787610e-01, 8 -2.44921271e-16])
有的通用运算函数有: np.sin() np.cos() np.add(a,b) a.sum(axis=0,1)#axis为0计算全部数据的和,为1则按行计算数据的和
等等其它矩阵可参与的数据计算。
a = array([[1,2,3],[2,3,4]]) array(list): 创建矩阵或高维向量,例如a = array([[0,1,2,3],[4,5,6,7]]),传入参数也可以是元组 shape: 表示向量大小的元组,例如a.shape结果为tuple,形如(2,3) ndim: 表示矩阵或高维向量的维数,例如矩阵a的a.ndim为2 size: 表示向量总元素数 itemsize: 表示元素所占字节数 nbytes: 表示向量所占字节数 real: 所有元素的实部,返回的还是矩阵形式 imag: 所有元素的虚部,返回的还是矩阵形式 flat: 用一维数组表示矩阵或高维向量(常用于顺序遍历) T: 表示矩阵的转置矩阵(也适用于高维向量),例如:a.T zeros(shape): 创建全0矩阵或高维向量,例如a = zeros((2,3)) ones(shape):创建全1矩阵或高维向量,例如a = ones((2,3)) add(matrix):将矩阵对应元素相加,结果相当于直接用加号 dot(matrix) 1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 a = aaa.min(0) #取每一列的最小值,返回的是一个数组 3 aaa*aaa#相当于aaa**2: 4 5 #[[ 100, 81, 64], 6 # [ 49, 36, 25], 7 # [1764, 1089, 4]] 8 9 aaa*a #aaa每行元素分别与a相乘,结果为 10 11 #[[ 70, 54, 16], 12 # [ 49, 36, 10], 13 # [294, 198, 4]] 14 15 a*aaa #结果与上相同 16 3*aaa #aaa中每个元素乘以3
reshape(shape) 1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 aaa.flatten() 3 #返回值为: 4 array([10, 9, 8, 7, 6, 5, 42, 33, 2]) tolist() 1 aa = aaa.tolist() 2 aa返回为list型(每一行又是一个子list): 3 [[10, 9, 8], [7, 6, 5], [42, 33, 2]] 4 aa[0] 5 #返回为: 6 [10, 9, 8] min(axis) 1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 aaa.min() 3 返回为:aaa矩阵中所有元素的最小值 4 结果为:2 5 aaa.min(0) 6 返回为:aaa矩阵中所有列中元素的最小值 7 结果为:array([7, 6, 2]) 8 aaa.min(1) 9 返回为:aaa矩阵中所有行中元素的最小值 10 结果为:array([8, 5, 2]) max(axis) 也可以aaa.sum(axis),分别求每一行或者是每一列的元素之和 cumsum() 1 aaa.cumsum() 2 结果为:array([ 10, 19, 27, 34, 40, 45, 87, 120, 122]) prod() cumprod() 1 >>> a = array([[-1,1,0], 2 [-4,3,0], 3 [ 1,0,2]]) 4 >>> eval, evec = linalg.eig(a) 5 >>> eval 6 array([ 2., 1., 1.]) 7 >>> evec 8 array([[ 0. , 0.40824829, 0.40824829], 9 [ 0. , 0.81649658, 0.81649658], 10 [ 1. , -0.40824829, -0.40824829]])
即特征向量为λ1=2的(0,0,1)和λ2=λ3=1的(0.4,0.8,-0.4)
|
|
来自: imelee > 《python 算法》