【AI必备数学基础——线性代数】Numpy 库创建的矩阵与 C 语言创建的异同

在 Python 中，使用 Numpy 库创建的二维数组（矩阵）与在 C 语言中创建的二维数组有一些相似之处，但它们的表示方式和操作方法有所不同。让我们详细讨论一下为什么这个矩阵是二维数组，以及它的数据是如何对应的。

Numpy 中的二维数组

在 Numpy 中，二维数组（矩阵）是一种特殊的数据结构，用于存储具有相同数据类型的元素。创建二维数组时，最常用的方法是使用 np.array 函数，并传递一个嵌套列表，每个子列表代表矩阵的一行。例如：

import numpy as np

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

上面的代码创建了一个 3x3 的矩阵，数据如下：

[[1, 2, 3],
 [4, 5, 6],
 [7, 8, 9]]

在这个矩阵中：

第一行是 [1, 2, 3]
第二行是 [4, 5, 6]
第三行是 [7, 8, 9]

数据在内存中的存储

在内存中，Numpy 以一种连续的方式存储数组的数据，这与 C 语言的二维数组有些相似。C 语言中的二维数组通常声明如下：

int matrix[3][3] = {
    {1, 2, 3},
    {4, 5, 6},
    {7, 8, 9}
};

在上述 C 语言代码中，matrix 是一个包含 3 个元素的数组，每个元素自身也是一个包含 3 个 int 类型的数组。数据在内存中的排列顺序是按行存储，即行优先（row-major order）。

Numpy 与 C 语言二维数组的对应关系

Numpy 也采用行优先顺序存储二维数组的数据。具体来说，Numpy 数组的内存布局与 C 语言的数组非常相似，这意味着在内存中，数据的排列顺序是相同的。例如：

matrix[0][0] 在 Python 和 C 中都对应第一个元素 1
matrix[1][0] 在 Python 和 C 中都对应第四个元素 4
matrix[2][2] 在 Python 和 C 中都对应第九个元素 9

数据访问和操作

尽管内存布局相似，但在 Python 和 Numpy 中访问和操作数组更加简便和强大。例如，可以使用 Numpy 的切片和高级索引功能轻松操作数组：

import numpy as np

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 访问元素
element = matrix[1, 2]  # 结果为 6

# 访问一行
row = matrix[1, :]  # 结果为 [4, 5, 6]

# 访问一列
column = matrix[:, 1]  # 结果为 [2, 5, 8]

# 子矩阵
sub_matrix = matrix[0:2, 1:3]  # 结果为 [[2, 3], [5, 6]]