从matlab 转到python numpy还是适应的不舒服,就矩阵这块计算,代码真没matlab优美简洁。当然两者定位是不一样的。
对于numpy array 其实不存在像matlab 那样的行向量,列向量,这点体现在计算上的调用有点不一样。我尝试从嵌套层数理解array. 重点理解 ndim,shape,size属性.
ndim指明了几层[]嵌套,shape是每层上的元素个数,size是 单个元素总个数。
import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
c = np.array([3, 4, 5])
a.shape #(3,)
b.shape # (3,)
print( np.stack((a, b), axis=0).shape ) # (2, 3)
print( np.stack((a, b), axis=0) )
# 把a,b这两个整体分散在第0层,第0层第0个就是a,第0层第1个就是b
#[a,b]
print( np.stack((a, b), axis=1).shape )# (3, 2)
print( np.stack((a, b), axis=1) )
#把a拆开最外层[],每个元素分散在第1层上[ [a[0],b[0]],[a[1],b[1]],[a[2],b[2]] ]
print( np.stack((a, b, c), axis=0).shape ) # (2, 3)
print( np.stack((a, b, c), axis=0) )
#[a,b,c]
print( np.stack((a, b, c), axis=1).shape )# (3, 2)
print( np.stack((a, b, c), axis=1) )
#[[a[],b[],c[]] [a[],b[],c[]] [a[],b[],c[]]]
a = np.array([[1, 2, 3], [0.1, 0.2, 0.3], [10, 20, 30]])
b = np.array([[4, 5, 6], [0.4, 0.5, 0.6], [40, 50, 60]])
print( np.stack((a, b), axis=0).shape )#(2, 3, 3)
print( np.stack((a, b), axis=0) )
# [ [[ 1. 2. 3. ]
# [ 0.1 0.2 0.3]
# [10. 20. 30. ]] ----a
# b ] -----b
print( np.stack((a, b), axis=1).shape )#(3, 2, 3)
print( np.stack((a, b), axis=1) )
#把a拆开一层,即内一层元素[1 2 3],[0.1, 0.2, 0.3],[10, 20, 30]分布在第1层上
# [ [[ 1. 2. 3. ]] --------- a[0]
# [[ 0.1 0.2 0.3]] --------- a[1]
# [[10. 20. 30. ]] ----------- a[2]
#]
print( np.stack((a, b), axis=2).shape )#(3, 3, 2)
print( np.stack((a, b), axis=2) )
# a ndim为1 ,这里axis = 2,直接在单个元素上加[]
# 那么
# a
# [ [ [1] [2] [3]]
# [ [0.1] [0.2] [0.3]]
# [ [10.] [20.] [30.]]
# ]
#总结一句话就是在哪层元素(axis上指明)加[](这会使结果的ndim在a的基础上加1),
#在哪层上加[]就把a,b相应的层元素组合,这层的元素个数就加1
#这样的解释仿佛对矩阵来说不直观,但是目前为止我根本不想用矩阵来理解numpy.