4-1 Python学习笔记1_向量、矩阵及数组定义

4-1 Python学习笔记1_向量、矩阵及数组定义

1.学习环境

python安装：网络上都有相应的安装教程，安装完之后打开cmd命令查看python版本（直接输入python即可），我的是3.7.3

安装完后需要一个编译器，可以选择IDE等，本文用的是VS Code

打开后工具栏新建文件夹，再新建python文件即可编写python程序

设备准备充分后，还需要下载numpy包。
numpy安装办法参考https://numpy.org/（用pip install numpy 或者coda install numpy。pip相关信息具体参考https://pypi.org/project/pip/）.

2.向量、矩阵、数组的创建

1.创建向量

import numpy as np
vector_row=np.array([1,2,3]) #创建行向量
vector_column=np.array([[1],[2],[3]])#创建列向量

输出结果（用print函数输出vector_row,vector_column）：


2. 创建矩阵

matrix_object=np.mat([1,2],[1,2],[1,2])

输出结果

3.其他操作
知道了向量与矩阵的操作后，剩余操作与MATLAB同理:

• 稀疏矩阵：sparse.csr_matrix()
• 选择矩阵的元素、行、列：与MATLAB同 [要选择的位置]
• 矩阵的维数、元素个数：shape、size
• 矩阵的维数：np.ndim
• 最大最小值，均值，方差,标准差：np.(max,min,mean,var,std)其中对行操作axis=0，列axis=1.
• 重排：reshape（注：按行重排）
• 转置： .T
• 拉直（重排成一行）：.flatten() or reshape(1,-1)
• 矩阵的秩：np.linalg.matix_rank()
• 矩阵的行列式：np.linalg.det()
• 矩阵的迹：.trace()
• 矩阵的特征值与特征向量：eigenvalues,eigenvetors=np.linalg.eig(matrix) 注：只能处理方阵
• 向量内积：.dot or @
• 矩阵加减：add(A,B),subtract(A,B) or +,-
• 矩阵乘积：dot，@， or *
• 矩阵的逆：inv
• 生成范围内的行向量：np.random.randint(low,up,dim)
  部分代码：

import numpy as np
from scipy import sparse
vector_row=np.array([1,2,3]) #创建行向量
vector_column=np.array([[1],[2],[3]])#创建列向量
matrix_object=np.mat([[1,-1,3],[1,1,6],[3,8,9]])#创建3行2列矩阵
matrix=np.mat([[0,0],[0,2],[1,0]])#创建3行2列稀疏矩阵
matrix_sparse=sparse.csr_matrix(matrix)
#matrix_object.reshape(1,-1)
a=np.linalg.matrix_rank(matrix_object)
eigenvalues,eigenvetors=np.linalg.eig(matrix_object)
matrix_object1=np.mat([[1,-1,3],[1,1,6],[3,8,9]])
#print(matrix_object*matrix_object1)
a1=np.random.randint(-1,1,3)
print(a1)