python数组和矩阵使用总结

最新推荐文章于 2024-04-07 09:23:07 发布

小小她爹

最新推荐文章于 2024-04-07 09:23:07 发布

阅读量6.9k

点赞数 7

分类专栏：机器学习文章标签： python

本文链接：https://blog.csdn.net/everlasting_188/article/details/53484290

版权

机器学习专栏收录该内容

24 篇文章 0 订阅

订阅专栏

1、数组和矩阵常见用法

Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包，需要导入numpy。SciPy包以NumPy包为基础，大大的扩展了numpy的能力。为了使用的方便，scipy包在最外层名字空间中包括了所有的numpy内容，因此只要导入了scipy，不必在单独导入numpy了！但是为了明确哪些是numpy中实现的，哪些是scipy中实现的，本文还是进行了区分。以下默认已经：import numpy as np 以及 impor scipy as sp

numpy的基本类型是多为数组，把matrix看做是array的子类。

1.建立矩阵

a1=np.array([1,2,3],dtype=int) #建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。

a2=np.array([[1,2,3],[2,3,4]]) #建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。

同样，numpy中也有很多内置的特殊矩阵：

b1=np.zeros((2,3)) #生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有ones()建立全1矩阵。empty()建立一个空矩阵，使用内存中的随机值来填充这个矩阵。

b2=identity(n) #建立n*n的单位阵，这只能是一个方阵。

b3=eye(N,M=None,k=0) #建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。

此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like()，它们的参数均为如此形式：zeros_like(a,dtype=)，其中，a是一个已知的数组。

c1=np.arange(2,3,0.1) #起点，终点，步长值。含起点值，不含终点值。

c2=np.linspace(1,4,10) #起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数

d1=np.linalg.companion(a) #伴随矩阵

d2=np.linalg.triu()/tril() #作用同MATLAB中的同名函数

e1=np.random.rand(3,2) #产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数

fliplr()/flipud()/rot90() #功能类似MATLAB同名函数。

xx=np.roll(x,2) #roll()是循环移位函数。此调用表示向右循环移动2位。

2.数组的特征信息

先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了Python面向对象的特征。

X.flags #数组的存储情况信息。

X.shape #结果是一个tuple，返回本数组的行数、列数、……

X.ndim #数组的维数，结果是一个数

X.size #数组中元素的数量

X.itemsize #数组中的数据项的所占内存空间大小

X.dtype #数据类型

X.T #如果X是矩阵，发挥的是X的转置矩阵

X.trace() #计算X的迹

np.linalg.det(a) #返回的是矩阵a的行列式

np.linalg.norm(a,ord=None) #计算矩阵a的范数

np.linalg.eig(a) #矩阵a的特征值和特征向量

np.linalg.cond(a,p=None) #矩阵a的条件数

np.linalg.inv(a) #矩阵a的逆矩阵

3.矩阵分解

常见的矩阵分解函数，numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法为了方便计算或者针对不同的特殊情况，还给出了多种调用形式，以便得到最佳结果。

4.矩阵运算

np.dot(a,b)用来计算数组的点积；vdot(a,b)专门计算矢量的点积，和dot()的区别在于对complex数据类型的处理不一样；innner(a,b)用来计算内积；outer(a,b)计算外积。

专门处理矩阵的数学函数在numpy的子包linalg中定义。比如np.linalg.logm(A)计算矩阵A的对数。可见，这个处理和MATLAB是类似的，使用一个m后缀表示是矩阵的运算。在这个空间内可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常规exp()对应有三种矩阵形式：expm()使用Pade近似算法、expm2()使用特征值分析算法、expm3()使用泰勒级数算法。在numpy中，也有一个计算矩阵的函数：funm(A,func)。

5.索引

numpy中的数组索引形式和Python是一致的。如：

x=np.arange(10)

print x[2] #单个元素，从前往后正向索引。注意下标是从0开始的。

print x[-2] #从后往前索引。最后一个元素的下标是-1

print x[2:5] #多个元素，左闭右开，默认步长值是1

print x[:-7] #多个元素，从后向前，制定了结束的位置，使用默认步长值

print x[1:7:2] #指定步长值

x.shape=(2,5) #x的shape属性被重新赋值，要求就是元素个数不变。2*5=10

print x[1,3] #二维数组索引单个元素，第2行第4列的那个元素

print x[0] #第一行所有的元素

y=np.arange(35).reshape(5,7) #reshape()函数用于改变数组的维度

print y[1:5:2,::2] #选择二维数组中的某些符合条件的元素

2、数组和矩阵的区别：

参考http://blog.csdn.net/vincentlipan/article/details/20717163

Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。

在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。

  
  
   
   

import numpy 
   
   as
   
    np

a
   
   =
   
   np.mat(
   
   '
   
   4 3; 2 1
   
   '
   
   )
b
   
   =
   
   np.mat(
   
   '
   
   1 2; 3 4
   
   '
   
   )
print(a)
# [[
   
   4
   
    
   
   3
   
   ]
#  [
   
   2
   
    
   
   1
   
   ]]
print(b)
# [[
   
   1
   
    
   
   2
   
   ]
#  [
   
   3
   
    
   
   4
   
   ]]
print(a
   
   *
   
   b)
# [[
   
   13
   
    
   
   20
   
   ]
#  [ 
   
   5
   
     
   
   8
   
   ]]

matrix 和 array 都可以通过objects后面加.T 得到其转置。但是 matrix objects 还可以在后面加 .H f得到共轭矩阵, 加 .I 得到逆矩阵。

相反的是在numpy里面arrays遵从逐个元素的运算，所以array：c 和d的c*d运算相当于matlab里面的c.*d运算。

  
  
   
   c
   
   =
   
   np.array([[
   
   4
   
   , 
   
   3
   
   ], [
   
   2
   
   , 
   
   1
   
   ]])
d
   
   =
   
   np.array([[
   
   1
   
   , 
   
   2
   
   ], [
   
   3
   
   , 
   
   4
   
   ]])
print(c
   
   *
   
   d)
# [[
   
   4
   
    
   
   6
   
   ]
#  [
   
   6
   
    
   
   4
   
   ]]

而矩阵相乘，则需要numpy里面的dot命令 :

  
  
   
   print(np.dot(c,d))
# [[
   
   13
   
    
   
   20
   
   ]
#  [ 
   
   5
   
     
   
   8
   
   ]]
   
   **
   
    运算符的作用也不一样 ：

print(a
   
   **
   
   2
   
   )
# [[
   
   22
   
    
   
   15
   
   ]
#  [
   
   10
   
     
   
   7
   
   ]]
print(c
   
   **
   
   2
   
   )
# [[
   
   16
   
     
   
   9
   
   ]
#  [ 
   
   4
   
     
   
   1
   
   ]]

因为a是个matrix，所以a**2返回的是a*a，相当于矩阵相乘。而c是array，c**2相当于，c中的元素逐个求平方。

问题就出来了，如果一个程序里面既有matrix 又有array，会让人脑袋大。但是如果只用array，你不仅可以实现matrix所有的功能，还减少了编程和阅读的麻烦。

当然你可以通过下面的两条命令轻松的实现两者之间的转换：np.asmatrix和np.asarray

对我来说，numpy 中的array与numpy中的matrix，matlab中的matrix的最大的不同是，在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。例如下面求平均值的运算

  
  
   
   >>>
   
    m 
   
   =
   
    np.mat([[
   
   1
   
   ,
   
   2
   
   ],[
   
   2
   
   ,
   
   3
   
   ]])

   
   >>>
   
    m
matrix([[
   
   1
   
   , 
   
   2
   
   ],
        [
   
   2
   
   , 
   
   3
   
   ]])

   
   >>>
   
    mm 
   
   =
   
    m.mean(
   
   1
   
   )

   
   >>>
   
    mm
matrix([[ 
   
   1.5
   
   ],
        [ 
   
   2.5
   
   ]])

   
   >>>
   
    mm.shape
(
   
   2
   
   , 
   
   1
   
   )

   
   >>>
   
    m 
   
   -
   
    mm
matrix([[
   
   -
   
   0.5
   
   ,  
   
   0.5
   
   ],
        [
   
   -
   
   0.5
   
   ,  
   
   0.5
   
   ]])对array 来说


   
   >>>
   
    a 
   
   =
   
    np.array([[
   
   1
   
   ,
   
   2
   
   ],[
   
   2
   
   ,
   
   3
   
   ]])

   
   >>>
   
    a
array([[
   
   1
   
   , 
   
   2
   
   ],
       [
   
   2
   
   , 
   
   3
   
   ]])

   
   >>>
   
    am 
   
   =
   
    a.mean(
   
   1
   
   )

   
   >>>
   
    am.shape
(
   
   2
   
   ,)

   
   >>>
   
    am
array([ 
   
   1.5
   
   ,  
   
   2.5
   
   ])

   
   >>>
   
    a 
   
   -
   
    am #wrong
array([[
   
   -
   
   0.5
   
   , 
   
   -
   
   0.5
   
   ],
       [ 
   
   0.5
   
   ,  
   
   0.5
   
   ]])

   
   >>>
   
    a 
   
   -
   
    am[:, np.newaxis]  #right
array([[
   
   -
   
   0.5
   
   ,  
   
   0.5
   
   ],
       [
   
   -
   
   0.5
   
   ,  
   
   0.5
   
   ]])