Python矩形转置transpose--实战应用详解

版权声明：本文为博主原创文章，未经博主允许不得转载。

在读图片时，会用到这么的一段代码：

image_vector_len = np.prod(image_size)#总元素大小，3*55*47

img = Image.open(path)
        arr_img = np.asarray(img, dtype='float64')
        arr_img = arr_img.transpose(2,0,1).reshape((image_vector_len, ))# 47行，55列，每个点有3个元素rgb。再把这些元素一字排开

transpose是什么意识呢？ 看如下例子：

arr1 = array([[[ 0,  1,  2,  3],

        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
这是原来的矩阵。如果对其进行转置，执行arr2 = arr1.transpose((1,0,2))
得到：array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

过程是怎样的？

arr1.shape 应该是(2, 2, 4) 意为 2维，2*4矩阵

arr1.transpose(*args) 里面的参数，可以这么理解，他是调换arr1.shape的顺序，咱来给arr1.shape标一下角标哈，（2[0], 2[1], 4[2]）  [ ] 里是shape的索引，对吧， 
transpose((1, 0, 2)) 的意思是 按照这个顺序 重新设置shape 也就是 （2[1], 2[0], 4[2]）

虽然看起来 变换前后的shape都是 2,2,4  ， 但是问题来了，transpose是转置
shape按照(1,0,2)的顺序重新设置了， array里的所有元素 也要按照这个规则重新组成新矩阵

比如 8 在arr1中的索引是 (1, 0, 0)  那么按照刚才的变换规则，就是 (0, 1, 0) 看看跟你结果arr2的位置一样了吧，依此类推..

[补充] python 科学计算库NumPy—矩阵运算

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) 
矩阵乘法，注意必须满足“能乘”的要求 
如果是*，则需注意： 

 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) 
得到改变形状的矩阵，例如a = array([[1,2,3],[4,5,6]]).reshape((3,2))的结果为[[1,2],[3,4],[5,6]]。注意矩阵的大小不能改变，即reshape的参数表示的矩阵元素数必须等于原矩阵的元素数。 
transpose() 
得到矩阵的转置矩阵，a.transpose()相当于a.T 
swapaxes(d1,d2) 
调换给定的两个维度 
flatten() 
返回对应一维向量，例如：

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() 
得到矩阵对象转化为list的结果

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) 
得到所有元素中的最小值。当给定axis值（min(0)或min(axis=0)）时，在该坐标上求最小值（得到数组） 
例如：

 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) 
得到所有元素中的最小值。缺省参数axis作用和min()相同 
sum() 
得到数组元素之和，得到的是一个数字。

也可以aaa.sum(axis)，分别求每一行或者是每一列的元素之和

cumsum() 
得到累计和，即依次加一个元素求和的一维数组。 
例如：

1 aaa.cumsum()
2 结果为：array([ 10,  19,  27,  34,  40,  45,  87, 120, 122])

prod() 
得到数组所有元素之积，是个数字。也可以aaa.sum(axis)，分别求每一行或者是每一列的元素之积

cumprod() 
得到累计积，例子形式与上面cumsum()相同，这两个函数也都可以分坐标累计加和累计乘。 
mean() 
得到元素的平均数 
all() 
如果所有元素为真，返回真；否则返回假 
any() 
如果所有元素只要有一个真，返回真；否则返回假。 
特征值 
linalg.eigvals() 
返回A的特征值 
linalg.eig(A) 
返回A的特征值和特征向量，例如(eval, evec) = linalg.eig(A)，其中eval的对角元为A的各个特征值，evec对应各列是相应特征向量。

 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)