numpy学习

numpy学习

1.矩阵生成

def generate_matrix():
    # 1. 一般矩阵
    arr_normal = np.array([(1, 2, 3), [4, 5, 6], [7, 8, 9]], dtype=np.int64)  # 如果不写64就会提示报错,可以写成int_
    # 2. 零矩阵
    arr_zeros = np.zeros((2, 3), dtype=np.int_)  # int_带下标表示使用默认的
    # 3. 全1矩阵
    arr_ones = np.ones([2, 3])  # 矩阵使用圆括号或方括号都可以
    # 3.1. 单位矩阵
    arr_eye = np.eye(3)
    # 4. 生成一个非常接近0的矩阵
    arr_empty = np.empty((2, 3), dtype=np.int_)
    # 5.生成一维等差数列
    arr_arange = np.arange(0, 10, 2)  # arange([start,] stop[, step,], dtype=None, *, like=None), # 方括号的表示可选，有无都可以。
    # 6.将一个区间划分为n个
    arr_linspace = np.linspace(0, 10, 5, dtype=np.float32)
    # 7. 随机生成（0-1）的矩阵
    arr_random = np.random.random((2, 3))
    # 8.reshape将矩阵变形
    arr_reshape = np.arange(0, 12).reshape(3, 4)

2.矩阵运算

def matrix_compute():
    arr_1 = np.array((1, 2, 3))
    arr_2 = np.arange(1, 4)  # [1 2 3]
    arr_3 = np.arange(0, 4)  # [0 1 2 3]
    arr_4 = np.arange(4, 8)  # [4 5 6 7]
    # 1. 加减运算，直接运算即可
    result_add = arr_1 + arr_2  # [2 4 6]
    # 2. 里边每一项幂运算
    result_exp = arr_1 ** 2  # [1 4 9]
    # 3. 三角函数
    result_tri = np.sin(arr_1)  # [0.84147098 0.90929743 0.14112001]
    # 4. 判断里边的元素
    result_compare = (arr_1 < 2)  # [ True False False]
    # 5. 矩阵相同位置的数相乘
    result_multi = arr_3.reshape(2, 2) * arr_4.reshape(2, 2)
    # 5. 矩阵相乘, 两个方法都可以
    result_dot = np.dot(arr_3.reshape(2, 2), arr_4.reshape(2, 2))
    result_dot2 = arr_3.reshape(2, 2).dot(arr_4.reshape(2, 2))
    # 7. 求和、平均值、极大值、极小值（默认是所有元素，可以指定axis）,
    result_sum = np.sum(arr_3.reshape(2, 2))  # 矩阵所有元素
    result_mean = np.mean(arr_3.reshape(2, 2))  # 1.5
    result_average = np.average(arr_3.reshape(2, 2))  # 1.5
    result_min = np.min(arr_3)  # 矩阵所有元素
    result_max1 = np.max(arr_3.reshape(2, 2), axis=0)  # 以列为单位
    result_max2 = np.max(arr_3.reshape(2, 2), axis=1)  # 以行为单位
    # 8. 求最大值、最小值索引
    result_index_min = np.argmin(arr_3.reshape(2, 2))  # 0
    result_index_max = np.argmax(arr_3)  # 3
    # 9. 中位数
    result_median = np.median(arr_3)  # 1.5
    # 10, 排序, 以行为单位
    result_sort = np.sort(np.random.random((2, 2)).reshape(2, 2))
    # 11. 矩阵转置
    result_turn1 = np.transpose(arr_3.reshape(2, 2))
    result_turn2 = arr_3.reshape(2, 2).T
    # 12. 使超出范围的元素等于边界值
    result_clip1 = arr_3.clip(1, 2)
    result_clip2 = np.clip(arr_3, 1, 2)
    # 13.替换
    arr_1[0] = 10  # [10  2  3]
    arr_1[0:2] = [20, 30]  # [20 30  3]
    # 14. 深度拷贝、复制
    arr_5 = arr_4.copy()  # 深度拷贝，要是直接赋值的话，arr_4 和 arr_5指向的地址一样
    # 15. 求方阵的迹， 即主对角元素之和
    arr_trace = np.trace(arr_3.reshape(2, 2))
    # 16. 求行列式
    arr_det = np.linalg.det(arr_3.reshape(2, 2))
    # 17. 求逆矩阵
    arr_inv = np.linalg.inv(arr_3.reshape(2, 2))
    arr_pinv = np.linalg.pinv(arr_3.reshape(2, 2))  # 伪逆算法，不管矩阵可不可逆，都可以算出它的逆矩阵。
    # 18. 解多元方程
    arr_A = np.array([[1, 2, 1], [2, -1, 3], [3, 1, 2]], dtype=np.float_)
    arr_y = np.array([7, 7, 18], dtype=np.float_)
    arr_solve = np.linalg.solve(arr_A, arr_y)

3.矩阵输出

def matrix_output():
    arr_5 = np.array([[8, 5, 4], [7, 9, 3]])
    output1 = (arr_5[0, 1:3])  # [5 4]
    output_row = arr_5[0]  # [8 5 4]
    # 查看形状
    shape = arr_5.shape
    # 遍历行
    for row in arr_5: pass
    # 遍历列
    for column in arr_5.T: pass
    # 遍历每一个元素
    for member in arr_5.flat: pass  # arr_5.flat是一个迭代器
    arr_5.flatten()  # 将矩阵变为行向量

4.矩阵合成分割

def matrix_stack():
    arr_5 = np.array([[8, 5, 4], [7, 9, 3]])
    arr_6 = np.arange(6).reshape(2, 3)
    # 1. 纵向合并
    result_vstack = np.vstack((arr_5, arr_6))  # vertical stack
    # 2. 横向合并
    result_hstack = np.hstack((arr_5, arr_6))  # horizontal stack
    # 3.分割
    result_split_column = np.vsplit(result_vstack, 2)  # 纵向分割，上下分割
    result_split_row = np.hsplit(result_hstack, 2)  # 横向分割，左右分割
    

分割

import numpy as np

x = np.array([[0., 1., 2., 3., 4., 5., 6., 7.],
              [8., 9., 10., 11., 12., 13., 14., 15.]])
b = np.hsplit(x, [1, 4, 6])  # 返回的是按列分割之后的列表    [2,4,6]分别代表分按列分割的索引位置

for i in b:
    print(i, end='\n------\n')

结果：

[[0.]
 [8.]]
------
[[ 1.  2.  3.]
 [ 9. 10. 11.]]
------
[[ 4.  5.]
 [12. 13.]]
------
[[ 6.  7.]
 [14. 15.]]
------