python的第三方包Numpy简介（2）

9.数组的形态变换

Numpy提供了reshape方法用于改变数组的形状，reshape方法仅改变原始数据的形状，不改变原始数据的值。

示例代码如下：

import numpy as np
arr = np.arange(12)  # 创建一维ndarray
arr1 = arr.reshape(3, 4)  # 设置ndarray的维度，改变其形态

以上示例代码是将一维数组形态变换为二维数组， 事实上也可以将二维数组形态展平变换为一维数组，通过ravel()函数即可实现。

示例代码如下：

import numpy as np
arr = np.arange(12).reshape(3, 4)
arr1=arr.ravel()

10.数组的排序和搜索

通过Numpyt提供的sort函数，可以对数组元素值按从小到大进行直接排序，示例代码如下：

import numpy as np
arr = np.array([5,2,3,3,1,9,8,6,7])
arr1=np.sort(arr)

 通过Numpy提供的argmax和argmin函数，可以返回待搜索数组最大值和最小值元素的索引值，如果存在多个最大值或最小值，则返回第一次出现的索引。对于二维数组而已，可以通过设置axis=0或1返回各列或者各行最大值或最小值索引。需要注意的是，索引从0开始。示例代码如下：

import numpy as np
arr = np.array([5,2,3,3,1,1,9,8,6,7,8,8])
arr1=arr.reshape(3,4)
maxindex=np.argmax(arr)
minindex=np.argmin(arr)
maxindex1=np.argmax(arr1,axis=0)#返回各列最大值索引
minindex1=np.argmin(arr1,axis=1)#返回各行最小值索引

 二、Numpy下的矩阵与线性运算

Numpy的matrix是继承自NumPy的二维ndarray对象，不仅拥有二维ndarray的属性、方法与函数，还拥有诸多特有的属性与方法。同时，Numpy中的matrix和线性代数中的矩阵概念几乎完全相同，同样含有转置矩阵，共轭矩阵，逆矩阵等概念。

（1） 创建Numpy矩阵 Numpy中可使用mat、matrix或bmat函数来创建矩阵。使用mat函数创建矩阵时，若输入matrix或ndarray对象，则不会为它们创建副本。因此，调用mat函数与调用matrix(data, copy=False)等价，示例代码如下： 

import numpy as np  
mat1 = np.mat("1 2 3; 4 5 6; 7 8 9") 
mat2 = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

（2）在矩阵的日常使用过程中，将小矩 阵组合成大矩阵是一种频率极高的 操作。在Numpy中可以使用bmat分 块矩阵函数实现，示例代码如下：

import numpy as np
arr1 = np.eye(3)
arr2 = 3*arr1
mat = np.bmat(“arr1 arr2; arr1 arr2”) 

（3）矩阵的属性和基本运算 矩阵有其特有的属性，如图所示。    

属性	说明
T	返回自身的转置
H	返回自身的共轭转置
I	返回自身的逆矩阵

        矩阵属性的具体查看方法，示例代码如下：

import numpy as np
mat = np.matrix(np.arange(4).reshape(2, 2))
mT=mat.T
mH=mat.H
mI=mat.I

（4）在Numpy中，矩阵计算和ndarray计算类似，都能够作用于每个元素，比起使用for循环进行计算，在速度上更加高效，示例代码如下：

import numpy as np
mat1 = np.mat("1 2 3; 4 5 6; 7 8 9")
mat2 = mat1*3
mat3=mat1+mat2
mat4=mat1-mat2
mat5=mat1*mat2
mat6=np.multiply(mat1, mat2) #点乘

(5)线性代数运算是线性代数是数学的一个重要分支。Numpy包含numpy.linalg模块，提供线性代数所需的功能，如计算逆矩阵、求解线性方程组、求特征值、奇异值分解以及求解行列式等。numpy.linalg模块中的一些常用函数表如图所示：

函数名称	说明
dot	矩阵相乘
inv	求逆矩阵
solve	求解线性方程组
eig	求特征值和特征向量
eigvals	求特征值
svd	计算奇异值分解
det	求行列式

（6）计算逆矩阵 ：在线性代数中，矩阵 与其逆矩阵 相乘得到一个单位矩阵 ，即 。使用numpy.linalg模块中的inv函数可以计算逆矩阵，示例代码如下： 

import numpy as np
mat = np.mat('1 1 1; 1 2 3; 1 3 6')
inverse = np.linalg.inv(mat)
A=np.dot(mat, inverse)

（7）求解线性方程组：矩阵可以对向量进行线性变换，这对应于数学中的线性方程组。numpy.linalg模块中的solve函数可以求解形如 的线性方程组，其中 为矩阵， 为一维或二维数组， 是未知变量，示例代码如下：

import numpy as np
A = np.mat("1,-1,1; 2,1,0; 2,1,-1")
b = np.array([4, 3, -1])
x = np.linalg.solve(A, b)#线性方程组Ax=b的解

(8)求解特征值与特征向量 :设 是n阶方阵，如果存在数 和非零n维列向量 ，使得 成立，则称 是 的一个特征值，非零n维列向量 称为矩阵 的对应于特征值 的特征向量。numpy.linalg模块中的eigvals函数可以计算矩阵的特征值，eig函数可以返回一个包含特征值和对应的特征向量的元组，示例代码如下：

import numpy as np
A = np.matrix([[1, 0, 2], [0, 3, 0], [2, 0, 1]])
#A_value= np.linalg.eigvals(A)
A_value, A_vector = np.linalg.eig(A)

(9)奇异值分解 奇异值分解是线性代数中一种重要的矩阵分解，将一个矩阵分解为3个矩阵的乘积。numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解，返回U、Sigma、V这3个矩阵，其中，U和V是正交矩阵，Sigma是一维，其元素为进行奇异值分解的矩阵的非零奇异值，可使用dig函数生成对角矩阵，示例代码如下：

import numpy as np
A = np.mat("4.0,11.0,14.0;  8.0,7.0,-2.0")
U, Sigma, V = np.linalg.svd(A, full_matrices=False)

(10)计算矩阵行列式的值 矩阵行列式是指矩阵的全部元素构成的行列式，但构成行列式的矩阵为方阵时，行列式存在值。numpy.linalg模块中的det函数可以计算矩阵行列式的值，示例代码如下：

import numpy as np
A = np.mat("3,4; 5,6")
A_value=np.linalg.det(A)