Numpy - 多维数组（下）

---

一、操作 numpy 数组的常用函数

• where
  使用 where 函数能将索引掩码转换成索引位置：

indices = where(mask)  
indices
=> (array([11, 12, 13, 14]),)

x[indices] # this indexing is equivalent to the fancy indexing x[mask]
=> array([ 5.5,  6. ,  6.5,  7. ])

• diag
  使用 diag 函数能够提取出数组的对角线：

diag(A)
=> array([ 0, 11, 22, 33, 44])

diag(A, -1)
=> array([10, 21, 32, 43])

• take
  take 函数与高级索引（fancy indexing）用法相似：

v2 = arange(-3,3)
v2
=> array([-3, -2, -1,  0,  1,  2])

row_indices = [1, 3, 5]
v2[row_indices] # fancy indexing
=> array([-2,  0,  2])

v2.take(row_indices)
=> array([-2,  0,  2])

但是 take 也可以用在 list 和其它对象上：

take([-3, -2, -1,  0,  1,  2], row_indices)
=> array([-2,  0,  2])

• choose
  选取多个数组的部分组成新的数组：

which = [1, 0, 1, 0]
choices = [[-2,-2,-2,-2], [5,5,5,5]]
choose(which, choices)
=> array([ 5, -2,  5, -2])

二、线性代数

矢量化是用 Python/Numpy 编写高效数值计算代码的关键，这意味着在程序中尽量选择使用矩阵或者向量进行运算，比如矩阵乘法等。

1.标量运算

使用一般的算数运算符，比如加减乘除，对数组进行标量运算。

v1 = arange(0, 5)
v1 * 2
=> array([0, 2, 4, 6, 8])

v1 + 2
=> array([2, 3, 4, 5, 6])

A * 2, A + 2 #分别作用在矩阵每个元素上

2. Element-wise(逐项乘) 数组-数组 运算

在矩阵间进行加减乘除时，它的默认行为是 element-wise(逐项乘) 的:
A * A # 元素相乘

3. 矩阵代数

使用 dot 函数进行 矩阵－矩阵，矩阵－向量，数量积乘法：

dot(A, A)
dot(A, v1)
=> array([ 30, 130, 230, 330, 430])

dot(v1, v1)
=> 30

将数组对象映射到 matrix 类型。 加减乘除不兼容的维度时会报错

M = matrix(A)
v = matrix(v1).T # make it a column vector
v
=> matrix([[0],
           [1],
           [2],
           [3],
           [4]])

 M * v
=> matrix([[ 30],
           [130],
           [230],
           [330],
           [430]])

v.T * v   # inner product
=> matrix([[30]])

查看其它运算函数: inner, outer, cross, kron, tensordot可以使用 help(kron)。

4. 数组/矩阵 变换

之前使用 .T 对 v 进行了转置,也可以使用 transpose 函数完成同样的事情。其他函数：

共轭conjugate(C)

C = matrix([[1j, 2j], [3j, 4j]])
conjugate(C)
=> matrix([[ 0.-1.j,  0.-2.j],
           [ 0.-3.j,  0.-4.j]])

共轭转置C.H

C.H
=> matrix([[ 0.-1.j,  0.-3.j],
           [ 0.-2.j,  0.-4.j]])

real 与 imag 能够分别得到复数的实部与虚部：

 real(C) # same as: C.real
=> matrix([[ 0.,  0.],
           [ 0.,