python numpy 注意事项

1、初始化矩阵的时候，如果矩阵为复数，则需要

np.zeros((N,M,L),dtype=complex) 指明矩阵类型，否则赋值的时候会提示ComplexWarning: Casting complex values to real discards the imaginary part

2、矩阵赋值的时候，numpy默认为行向量赋值，这是跟matlab很不一样的一点

例如：

X = np.zeros((N,M),dtype=complex)

a = np.ones((N,1))

这时如果写X[:,1] = a，则会报错ValueError: could not broadcast input array from shape (N,1) into shape (N)

相反，如果你对a转置，变成行向量，再赋值则没有问题

3、要习惯numpy矩阵索引是从0：N-1的

4、行向量、列向量的关系

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

b = np.array([[1,2,3]])     b.shape   输出   (1,3)

c = np.ones((1,3))          c.shape   输出   (1,3)

d = np.array([[2],[5],[8]]) d.shape   输出   (3,1)

 

a+c            输出array([[2., 3., 4.]])  shape  (1,3)

b+c            输出array([[2., 3., 4.]])  shape  (1,3)

d+c            输出array([[3., 3., 3.],    shape (3,3)
                                   [6., 6., 6.],
                                   [9., 9., 9.]])

a+d            输出array([[ 3,  4,  5],    shape (3,3)
=b+d                           [ 6,  7,  8],
                                   [ 9, 10, 11]])

a+b            输出array([[2, 4, 6]])      shape(1,3)

结论：

1)   a这种size为（3，）的向量其实可以当做行向量来处理，与行向量c相加为行向量，与列向量d相加为矩阵

2)   还有一种情况会出现向量的size是一个数的，就是从矩阵里取一列或一行，此时不管是取列还是行，size都是(m,)，也就是说都是行向量的形式。此后再利用这个列或者行去做运算，如果结果为向量，那么这个向量的size都是（m,）这种形式的。

 例如：e.shape 是(3,3)  则e[:,2].shape 和 e[1,:].shape 都是(3,)

但是矛盾的是，此时，假设有g = e[1,:] shape为(3,)  如果把g当做行向量的话，把e和g做矩阵乘法，按照线性代数想法是不能运算的，但是却可以运算

e.dot(g)
Out[133]: array([ 86, 149, 212])

e.dot(g).shape
Out[134]: (3,)

且shape 为(3,)