掌握NumPy矩阵与通用函数

2.2.1 创建 NumPy 矩阵
在NumPy中，矩阵是 ndarray 的子类，且数组和矩阵有着重要的区别。NumPy 提供了两个基本的对象，分别是N维数组对象和通用函数对象，其他对象都是在它们的基础上继承的。矩阵继承自 NumPy数组对象的二维数组对象。与数学概念中的矩阵一样，NumPy中的矩阵也是二维的。读者可使用 mat、matrix 和bmat 函数来创建矩阵。
当使用 mat 函数创建矩阵时，如果输入 matrix 或 ndarray 对象，那么不会创建相应副本。因此，调用 mat 函数和调用matrix函数等价，如代码2-30所示。
     

代码 2-30  使用mat函数与matrix函数创建矩阵

import numpy as np #导人 NumPy库
matrl = np.mat（'123;456;789'）#使用分号隔开数据
print（'创建的矩阵为：\n'，matr1）

 创建矩阵的结果为：

 [ [1 2 3 ]

   [4 5 6 ]

   [7 8 9 ]  ]

matr2 = np.matrix([[1,2,3], [4,5,6], [7,8,9]]
print('创建的矩阵为: \n',matr2)

创建的矩阵为：

 [ [1 2 3 ]

   [4 5 6 ]

   [7 8 9 ]  ]

在大多数情况下，用户会根据小的矩阵来创建大的矩阵，即将小矩阵组合成大矩阵。
在 NumPy 中，可以使用bmat 分块矩阵（Block Matrix）函数实现，如代码2-31所示。

代码2-31 使用bmat函数创建矩阵

arr1 = np.eye(3)
print('创建的数组 arr1 为: \n', arr1)

创建的数组 arr1 为：

 [ [  1.    0.    0. ]

   [   0.   1.    0. ]

   [   0.    0.   1. ]  ]

arr2 = 3 * arr1
print('创建的数组arr2为: \n, arr2)

 创建的数组 arr2 为：

[  [  3.   0.   0. ]

   [  0.   3.   0. ]

   [  0.   0.   3. ]  ]   

print('创建的矩阵为: \n', np.bmat('arr1 arr2; arr1 arr2'))

创建的矩阵为： 

  [ [  1.    0.    0.    3.   0.   0.  ]

    [   0.    1.    0.    0.   3.   0. ]

    [   0.    0.    1.    0.   0.   3. ]  

    [  1.    0.    0.    3.   0.   0.  ]

    [   0.    1.    0.    0.   3.   0. ]

    [   0.    0.    1.    0.   0.   3. ] ]

 在 NamPy 中，矩阵运算是针对整个矩阵中的每个元素进行的。与使用 for 循环相比，其在运算速度上更快，如代码 2-32所示。

matrl = np.mat （'1 2 3; 4 5 6 ； 7 8 9') #创建矩阵
print(;创建矩阵为: \n', matr1)

创建的矩阵为：

[  [1 2 3]

   [4 5 6]

   [7 8 9] ] 

matr2 = matr1 * 3  #矩阵与数相乘
print('矩阵与数相乘结果为: \n', matr2)

矩阵与数相乘结果为: 

 [  [  3    6    9  ]

    [ 12  15  18 ]

    [  21  24  27]  ]

print('矩阵相加结果为: \n', matr1 + matr2) #矩阵相加

矩阵相加结果为：

[  [ 4    8  12 ]

   [16  20  24]

   [28  32  36] ]

print('矩阵相减结果为: \n', matr1 + matr2) #矩阵相减

矩阵相减结果为：

[  [ -2  -4  -8  ]

   [ -8  -10  -12]

   [-14 -16  -18] ]

print（'矩阵相乘结果为：\n'，matr1 * matr2）#矩阵相乘

矩阵相乘结果为：

[ [ 90  108 126]
  [198 243 288]
  [306 378 450] ]

 除了能够实现各类运算外，矩阵还有其特有的属性，如表2-9所示

表2-9 短阵特有属性及其说明

属性名称	属性说明
T	返回自身的转置矩阵
H	返回自身的共轭转置矩阵
I	返回自身的逆矩降
A	返回自身数据的二维数组

 矩阵属性的具体查看方法如代码 2-33所示。

 代码 2-33查看矩阵属性

matr3 = np.mat ([[6, 2, 1], [1, 5, 2], [3, 4, 8]])
print('矩阵转置结果为: \n', matr3.T)  #转置矩阵
#共轭转置矩阵（实数矩阵的共轭转置就是其本身）
print（'矩阵共轭转置结果为：\n'，matr3.H）
print（'矩阵的逆矩阵结果：\n'，matr3.工）＃逆矩阵
print（'矩阵的二维数组结果：\n'，matr3.A）#返回二维数组的视图

矩阵装置结果为: 
 [[6 1 3]
 [2 5 4]
 [1 2 8]]
矩阵共轭装置结果为: 
 [[6 1 3]
 [2 5 4]
 [1 2 8]]
矩阵逆矩阵结果为: 
 [[ 0.18079096 -0.06779661 -0.00564972]
 [-0.01129944  0.25423729 -0.06214689]
 [-0.06214689 -0.10169492  0.15819209]]
矩阵的二维数组结果为: 
 [[6 2 1]
 [1 5 2]
 [3 4 8]]

 2.2.2 掌握ufunc函数

  常用的 ufunc 函数运算有四则运算、比较运算和逻辑运算等。
  ufunc 函数支持四则运算，并且保留运算符。unfunc 函数运算和数值运算的使用方式-样。但是需要注意的是，ufunc 函数操作的对象是数组。数组间的四则运算表示对数组中的吗

  每个元素分别进行四则运算，因此四则运算的两个数组的形状必须相同，如代码2-34所示

代码2-34 数组的四则运算

# 代码2-34
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print('数组相加结果为: ', x+y)  # 数组相加

print('数组相减结果为: ',x - y) #数组相减

print('数组相乘结果为: ', x * y) #数组相乘

print('数组相除结果为: ', x/y) # 数组相除

print('数组幂运算结果为: ', x ** y) #数组幂运算

数组相加结果为:  [5 7 9]
数组相减结果为:  [-3 -3 -3]
数组相乘结果为:  [ 4 10 18]
数组相除结果为:  [0.25 0.4  0.5 ]
数组幂运算结果为:  [  1  32 729]

 在ufiane 两數中也支持究整的比般运算，>、＜、一、三、、下。比较运雞返国的錦果是一个布尔型数组，其每个元素约数组对应元素的比较结果，如代码2-35所示

代码2-35数组的比较运算

# 2-35
x = np.array([1,2,5])
y = np.array([2,3,4])
print('数组比较结果为: ', x < y)
print('数组比较结果为: ', x > y)
print('数组比较结果为: ', x == y)
print('数组比较结果为: ', x >= y)
print('数组比较结果为: ', x <= y)
print('数组比较结果为: ', x != y)

数组比较结果为:  [ True  True False]
数组比较结果为:  [False False  True]
数组比较结果为:  [False False False]
数组比较结果为:  [False False  True]
数组比较结果为:  [ True  True False]
数组比较结果为:  [ True  True  True]

 在 NumEy逻徘运第中，numpy.all函数用于测试所有数组元素的计算结果为TNO，numpyany 两数用于测试任何数组元素的计算结果是否为 Tnue，如代码2-36所示

代码2-36 数组的逻辑运算

# 代码2-36
print('数组逻辑运算结果为: ', np.all(x == y))
print('数组逻辑运算结果为: ',np.any(x == y))

数组逻辑运算结果为:  False
数组逻辑运算结果为:  False

2. ufunc 函数的广播机制
广播（Broadcasting）机制是指不同形状的数组之间执行算术运算的方式。当使用ufunc函数进行数组计算时，ufumc函数会对两个数组的对应元素进行计算。进行这种计算的前提是两个数组的形状一致。如果两个数组的形状不一致，那么NumPy会实行广播机制。NomF中的广播机制并不容易理解，特别是在进行高维数组计算的时候。为了更好地使用广播机制，需要遵循以下4个原则。
（1）让所有的输入数组向其中 shape 最长的数组看齐，如果数组中 shape 不足，那么通过在前面加1补齐。
（2）输出数组的 shape 是输入数组 shape 在各个轴上的最大值的组合。
（3）如果输入数组的某个轴的长度和输出数组的对应轴的长度相同，或输人数组的某个轴的长度为1，那么这个数组能够用于计算，否则系统将会出错。
（4）当输入数组的某个轴的长度为1时，将使用此轴上的第一组值进行运算。
以一维数组和二维数组为例说明广播机制的运算方法。一维数组的广播机制如代码2-37所示。

代码2-37一堆数组的广播机制

# 2-37
arrl = np.array([[0, 0, 0], [1, 1, 1], [2, 2, 2], [3, 3, 3]])
print('创建的数组arrl为: \n', arrl)
print('数组arrl的形状为: ', arrl.shape)
arr2 = np.array([1, 2, 3])
print('创建的数组arr2为: ', arr2)
print('数组arr2的形状为: ', arr2.shape)
print('数组相加结果为: \n', arrl + arr2)

创建的数组arrl为: 
 [[0 0 0]
 [1 1 1]
 [2 2 2]
 [3 3 3]]
数组arrl的形状为:  (4, 3)
创建的数组arr2为:  [1 2 3]
数组arr2的形状为:  (3,)
数组相加结果为: 
 [[1 2 3]
 [2 3 4]
 [3 4 5]
 [4 5 6]]

 二维数组的广播机制如代码2-38所示。

代码 2-38 二维数组的广播机制

# 2-38
arr1 = np.array([[0, 0, 0],[1, 1, 1], [2, 2, 2], [3, 3, 3]])
print('创建的数组arr1为: \n',arr1)

print('数组arr1的形状为: ',arr1.shape)

arr2 = np.array([1, 2, 3, 4]).reshape((4,1))
print('创建的数组arr2为: \n',arr2)

print('数组arr2的形状为: ',arr2.shape)
print('数组相加结果为: \n',arr1 + arr2)

创建的数组arr1为: 
 [[0 0 0]
 [1 1 1]
 [2 2 2]
 [3 3 3]]
数组arr1的形状为:  (4, 3)
创建的数组arr2为: 
 [[1]
 [2]
 [3]
 [4]]
数组arr2的形状为:  (4, 1)
数组相加结果为: 
 [[1 1 1]
 [3 3 3]
 [5 5 5]
 [7 7 7]]