NumPy快速入门

最新推荐文章于 2024-08-28 15:53:05 发布

哈士奇说喵

最新推荐文章于 2024-08-28 15:53:05 发布

阅读量1.3k

点赞数 1

分类专栏： Python for Data Analysis 文章标签： python numpy

本文链接：https://blog.csdn.net/mrlevo520/article/details/52424345

版权

Python for Data Analysis 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

Python 2.7
IPython 4.1.2

关于Numpy

Numpy是Python的一个矩阵类型，提供大量矩阵处理函数，内部通过C实现。
包含两种数据结构，数组array和矩阵matrix，其实就是array而已

构建数组array

通过tuple构建array

In[1]: from numpy import *

In[2]: yuanzu = (4,5,6)
In[3]: ll = array(yuanzu)
In[4]: ll

Out[4]: array([4, 5, 6])

通过list构建array

In[5]: pylist = [0,1,2]
In[6]: jj = array(pylist)
In[7]: jj

Out[7]: array([0, 1, 2])

构建多维array

In[95]: pylist1 = [1,2,3]
In[96]: pylist2 = [4,5,6]
In[100]: marray = array([pylist1,pylist2])
In[102]: marray

Out[102]: 
array([[1, 2, 3],
       [4, 5, 6]])

array基本操作

以marray的array来说

In[102]: marray

Out[102]: 
array([[1, 2, 3],
       [4, 5, 6]])

array索引

In[104]: marray[0][2]
Out[104]: 3

array的对应相乘

In[105]: marray*2

Out[105]: 
array([[ 2,  4,  6],
       [ 8, 10, 12]])

In[106]: marray*marray

Out[106]: 
array([[ 1,  4,  9],
       [16, 25, 36]])

构建矩阵matrix

同样可由tuple和list构建matrix

#由list构建
In[84]: mm = mat(pylist)
In[85]: mm

Out[85]: matrix([[0, 1, 2]])

#由tuple构建
In[107]: oo = mat(yuanzu)
In[108]: oo

Out[108]: matrix([[4, 5, 6]])

由array构建matrix

In[109]: pp = mat(marray)
In[110]: pp
Out[110]: 
matrix([[1, 2, 3],
        [4, 5, 6]])

matrix基本操作

对下面的pp矩阵来操作

In[110]: pp
Out[110]: 
matrix([[1, 2, 3],
        [4, 5, 6]])

查看维数.shape

In[111]: pp.shape
Out[111]: (2L, 3L) #两行三列的矩阵

取值，可以使用分片方法

In[116]: pp[1,2] #取第二行第三列元素
Out[116]: 6

In[115]: pp[1,:] #取第二行，所有列
Out[115]: matrix([[4, 5, 6]])

转置.T

In[112]: pp.T
Out[112]: 
matrix([[1, 4],
        [2, 5],
        [3, 6]])

矩阵乘法，注意矩阵乘法的规则，(m,n)*(n,p)，对应维数。

In[113]: pp*(pp.T)

Out[113]: 
matrix([[14, 32],
        [32, 77]])

对应元素相乘 multiply(a,b)

In[114]: multiply(pp,pp)

Out[114]: 
matrix([[ 1,  4,  9],
        [16, 25, 36]])

排序sort，注意是原地排序，会改变原始数据，这个和pandas中的index操作不一样

In[119]: qq = mat([2,1,3]) #构建一个新的matrix
In[120]: qq

Out[120]: matrix([[2, 1, 3]])


In[121]: qq.sort() #进行递增排序，改变原来数据
In[122]: qq

Out[122]: matrix([[1, 2, 3]])

获得矩阵中每个元素的排序序号

In[126]: cc = mat([[3,1,4],[2,3,4]]) #重新构建一个矩阵
In[127]: cc

Out[127]: 
matrix([[3, 1, 4],
        [2, 3, 4]])


In[128]: cc.argsort()

Out[128]: 
matrix([[1, 0, 2],
        [0, 1, 2]], dtype=int64)
#比如说[3,1,4]这一行，元素先从小到大排序为[1,3,4]，对应1的元素在原本的矩阵中索引应该是1，对应3的索引是0，4的索引是2，所以得出[1,0,2]

array VS matrix

官方建议多使用array

The main advantage of numpy arrays is that they are more general than 2-dimensional matrices. What happens when you want a 3-dimensional array? Then you have to use an ndarray, not a matrix object. Thus, learning to use matrix objects is more work – you have to learn matrix object operations, and ndarray operations.

一句话，matrix应该算是array的一个分支，只是array的二维表示而已，matrix的操作，array都可以完成，值得注意的是，想要完成矩阵相乘，而不是对应相乘，array需要采用dot方法，举个例子

#对应相乘
In[129]: marray*marray

Out[129]: 
array([[ 1,  4,  9],
       [16, 25, 36]])

#矩阵相乘
In[130]: marray.dot(marray.T)
Out[130]: 
array([[14, 32],
       [32, 77]])

2017.06.13-update

# 一些例子比较区别
>>> import numpy as np
>>> a = [[1,2],[2,3]]
>>> b = [[0,1],[0,1]]
>>> array_1 = np.array(a)
>>> array_2 = np.array(b)
>>> array_1*array_2
array([[0, 2],
       [0, 3]])
>>> matrix_1 = np.matrix(a)
>>> matrix_2 = np.matrix(b)
>>> matrix_1*matrix_2
matrix([[0, 3],
        [0, 5]])
>>> matrix_3 = np.matrix(array_1)  # 可以直接转换
>>> matrix_3
matrix([[1, 2],
        [2, 3]])
>>> array_3 = np.array(matrix_1)
>>> array_3
array([[1, 2],
       [2, 3]])