【Numpy第一讲】如何生成矩阵，如何对矩阵进行加减乘除

该博客为本人自学自编的笔记，主要介绍了Numpy部分用处，这是第一篇Numpy文章

Numpy库的简介

Numpy是一个强大的Python库，用于进行科学计算，它可以处理矩阵和很多数据。

1. 多维数组对象：在Numpy中，最核心的部分就是它的多维数组对象，或者叫做ndarray。这个数组允许你存储同类型的数据集合，可以是一维（比如一行数字）、二维（比如一个表格或矩阵）、甚至是更高维度的数据结构。使用这种结构，我们可以非常高效地进行数学和逻辑运算。
2. 处理工具：Numpy不仅提供了多维数组对象，还提供了大量的函数和操作，可以很方便地进行数学计算、数组操作（比如切片、索引、迭代）、线性代数运算、随机数生成等等。使得Numpy成为了科学计算、数据分析、机器学习等领域不可或缺的工具。

如果你打算在Python中进行任何形式的科学计算或数据分析，学习Numpy几乎是必须的一步。

创建矩阵

通过已有的列表，建立一个多维数组

import numpy as np
#根据两组列表，创建一个二维数组
matrix = np.array([[1, 2, 3], [4, 5, 6]])

在这个代码中，根据两组列表，通过 np.array() 函数将他们创建成了一个二维数组。
$$\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right]$$
此外，只要是能够有序列表示的类型，都可以通过这个函数创建多维数组，元组同样可以用于创建多维数组。

直接创建数组

创建全0矩阵

import numpy as np
#创建一个3*3全为0的矩阵
zeros_matrix = np.zeros((3, 3))

在这个代码中，通过 np.zeros() 函数，创建了一个长宽均为3的全0矩阵。
$$\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$$

创建全1矩阵

import numpy as np
#创建一个3*3全为1的矩阵
ones_matrix = np.ones((3, 3))

在这个代码中，通过 np.zeros() 函数，创建了一个长宽均为3的全0矩阵。
$$\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$$

创建对角线为1的矩阵

import numpy as np
#创建一个3*3的单位矩阵
identity_matrix = np.eye(3)

在这个代码中，通过 np.eye() 函数，创建了3*3对角线全为1的单位矩阵
$$\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$

矩阵的加减乘除

矩阵的加减

进行矩阵的加减前提是两个矩阵拥有相同的维度，加减就是将矩阵中对应的数字进行加减。我们直接用 + - 号即可将他们加减。

import numpy as np

#我们用字母代替，以便更好的展示
A = np.array([[a, b], [c, d]])
B = np.array([[e, f], [g, h]])
C = A + B
D = A - B

此时C的结果应该是
$$C=\left[\begin{array}{cc}a+e& b+f\\ c+g& d+h\end{array}\right]$$
D的结果
$$D=\left[\begin{array}{cc}a-e& b-f\\ c-g& d-h\end{array}\right]$$
如果想让矩阵都加减某一个数，直接使用**+ -** 号那个数即可

A = np.array([[a, b], [c, d]])
C = A+1

$$C=\left[\begin{array}{cc}a+1& b+1\\ c+1& d+1\end{array}\right]$$

矩阵的乘除

乘法

矩阵的乘除并不是加减一样简单，他的计算规则是这样的。
$$A=\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]B=\left[\begin{array}{cc}e& f\\ g& h\end{array}\right]$$
那么A×B就是这样的
$$\mathbf{A}\times \mathbf{B}=\left(\begin{array}{cc}ae+bg& af+bh\\ ce+dg& cf+dh\end{array}\right)$$
使用的函数是

import numpy as np

A = np.array([[a, b], [c, d]])
B = np.array([[e, f], [g, h]])
A × B = np.dot(A,B)

除法

对于矩阵，并不存在“正常”的除法，除以一个矩阵就是乘上它的逆矩阵
$$A\times A^{-1}=I_{单位矩阵}$$
在Python中，逆矩阵的函数为

A_inv = np.linalg.inv(A)

此时除以A就等价于乘上A_inv

B ➗ A = np.dot(B, np.linalg.inv(A))

乘除一个数

和加减一样，只需要使用 * / 符号即可

A = np.array([[a, b], [c, d]])
D = A * 2

$$D=\left[\begin{array}{cc}a\ast 2& b\ast 2\\ c\ast 2& d\ast 2\end{array}\right]$$

此外，不止是加减乘除，平方、判断大小等等都可以直接用在矩阵上。