机器人自学之路笔记P2——前置知识：NumPy-CSDN博客

本文链接：https://blog.csdn.net/qq_43037591/article/details/141228375

机器人自学之路笔记P2——前置知识：NumPy

作者：开挖机的程序猿

本文作于 2024-8-15

一、前言

上一篇笔记讲了矩阵的基本概念以及矩阵的基本运算，还不会的读者可以移步：机器人自学之路笔记P1——前置知识：矩阵-CSDN博客
上一篇主要是带大家了解矩阵运算的算法，但是我们在研究机器人的过程中不可能用手去计算矩阵，这样太慢，而且累，也容易出错，实时性基本没有，所以本文开始带大家用 Python 的 NumPy 库进行一些矩阵的基本运算求解
这一章同样，属于扫盲知识，不会太深入，会用即可，已经会的可以跳过本章

二、NumPy

1、什么是NumPy？（AI介绍）

NumPy 是一个开源的 Python 科学计算库，它提供了多维数组对象、派生对象（如掩码数组和矩阵）以及用于快速操作数组的各种例程，包括数学、逻辑、形状操作、排序、选择、I/O、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。

NumPy 的主要特点包括：

强大的 N 维数组对象 ndarray，支持大量的维度数组和矩阵运算。
广播功能，允许 NumPy 用不同大小的数组进行算术运算。
集成 C/C++ 代码的能力，使得 NumPy 在执行数组运算时非常快速。
丰富的库支持，包括线性代数、傅里叶变换和随机数生成等。

NumPy 是许多其他科学计算和数据分析库的基础，例如 Pandas、SciPy 和 scikit-learn。

2、如何获取NumPy？

1、创建Python环境，可以是Conda环境，也可以是系统全局Python，版本没有强制要求，Python3即可，但是作者建议使用3.9及以上的版本，由于目前只需要运行Python脚本，并不需要安装许多包，也就不太需要独立的环境，所以没必要安装Conda，大家可以自行了解。作者这里带大家在WIN11上安装一下Python3

开魔法访问这个网址Python Release Python 3.12.5 | Python.org，这个是目前为止的最新版，这个版本在这里不是很重要
下拉到底，找到 Windows installer (64-bit) ，点击下载

在这里插入图片描述

下载完成后安装，记得勾选 Add python.exe to PATH ，直接将python添加进系统环境变量，这样你才可以在任意位置运行python

在这里插入图片描述

然后可以直接点击 Install Now ，如果提示要允许安装就点允许，没有就不管，然后等待就行，这个安装是直接帮你配置好然后安装到C盘，如果你想更改安装位置，点击下面的 Customize installation ，Next 到选择路径，作者安装在D盘的自建目录 python312 下，同时为所有用户安装了python

在这里插入图片描述

安装成功，接下来测试一下，win 键 + R 键调出 运行 窗口，输入 CMD 打开终端，终端内输入 python ，出现下面的内容就是安装好了

在这里插入图片描述

如果提示 系统找不到文件python.exe ，请去控制面板卸载刚刚安装的python312，然后重新按照上面的方法安装一边，一定要记得勾选 Add python.exe to PATH ，或者不重新安装，参考这篇文章去添加环境变量：python手动添加环境变量（超详细）（只适用win11/win10/win8，win7用户请绕行）_python添加环境变量-CSDN博客
至此，Python环境创建好了

2、使用 pip 安装 numpy

pip 是 python 的包管理工具，可以通过 pip 很方便地安装 python 包
打开终端，先检查pip是否正确安装以及版本：输入 pip --version

pip --version

C:\Users\22283>pip --version
pip 24.2 from D:\python312\Lib\site-packages\pip (python 3.12)

返回的信息有 pip 版本号 24.2 ，是哪一个已安装的 python 提供的 D:\python312\Lib\site-packages\pi 以及对应的 pyhton版本 (python 3.12
注意，如果你的电脑上存在多个python，可以先用 where python 命令查看所有在系统环境变量里的 python 版本，系统终端的选择逻辑是，在系统环境变量配置里，谁在前排，就优先指定谁

C:\Users\22283>where python
D:\python312\python.exe
D:\Anaconda\python.exe
C:\Users\22283\AppData\Local\Microsoft\WindowsApps\python.exe

PS：可以看到，作者电脑上存在三个 python 环境，分别是刚刚安装的 python312，Anaconda提供的 python，还有通过 window app 商店安装的 python，它们都提供了对应的 pip 工具，但是工具版本不同，安装的应用包版本也会不同，存放的位置也会不同，作者原来使用的是位于C盘的应用商店安装的 python，导致C盘空间被 python 包大量占用，所以推荐重新安装一个 python 环境在其他盘，对应的 pip 安装目录也就转移了，也不会导致和其他的 python 包冲突
确定好 pip 信息后使用 pip 安装 numpy，这里作者直接用这个版本的 pip，在这里这个不重要

pip install numpy

C:\Users\22283>pip install numpy
Collecting numpy
  Downloading numpy-2.0.1-cp312-cp312-win_amd64.whl.metadata (60 kB)
Downloading numpy-2.0.1-cp312-cp312-win_amd64.whl (16.3 MB)
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 16.3/16.3 MB 493.8 kB/s eta 0:00:00
Installing collected packages: numpy
Successfully installed numpy-2.0.10:25

这样就安装好了（开了魔法）
但是有时候会因为网络问题提示

WARNING: Retrying (Retry(total=4, connect=None, read=None, 
redirect=None, status=None)) after connection broken by 
'ProxyError('Cannot connect to proxy.', NewConnectionError
('<pip._vendor.urllib3.connection.HTTPSConnection 
object at 0x000002536F65C650>: Failed to establish a new connection: 
[WinError 10061] 由于目标计算机积极拒绝，无法连接。'))': /simple/numpy/

使用这条命令从清华源下载

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

安装完成后验证一下：终端进入python，导入numpy并查看版本信息

C:\Users\22283>python
Python 3.12.5 (tags/v3.12.5:ff3bc82, Aug  6 2024, 20:45:27) [MSC v.1940 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import numpy
>>> numpy .__version__
'2.0.1'
>>>

至此你就安装好了 numpy，在 python 解释器下（>>>）用 exit() 函数退出

三、jupyter——工欲善其事，必先利其器

作者又要啰嗦了，上面安装好了numpy，开始动手试一试吧，但是通过传统的运行脚本的方式效率太低了，你想看到结果还得手动 print ，所以作者推荐大家使用这个叫 jupyter 的工具去进行代码学习，可视性和交互性很高
（AI介绍）Jupyter是一个开源的Web应用程序，允许用户创建和共享包含实时代码、方程、可视化和解释性文本的文档。它广泛用于数据清洗和转换、数值模拟、统计建模、机器学习等领域。Jupyter的主要特点包括：
- 交互式编程：用户可以在Jupyter笔记本中直接编写和运行代码，实时看到结果。
- 多语言支持：最初支持Python，但现在已经扩展到支持超过40种编程语言，包括R、Julia和Scala。
- 丰富的文档：Jupyter笔记本可以包含Markdown、LaTeX等格式的文本，使得文档既美观又具有交互性。
- 易于分享：Jupyter笔记本文件（通常是.ipynb格式）可以轻松地在用户之间共享和协作。
- 集成开发环境：Jupyter提供了代码补全、错误检查等IDE功能，使得编程更加高效。
- 社区驱动：Jupyter由一个活跃的社区维护和发展，不断有新的功能和改进被加入。
Jupyter的核心组件包括Jupyter Notebook服务器、JupyterLab（一个更现代的界面，提供了更丰富的功能和更好的用户体验）以及IPython（一个增强的Python解释器）等。
使用 pip 安装 jupyter-notebook

pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

然后等待就行了，安装完使用下面的命令启动

jupyter-notebook

加载完毕后会弹出一个网页，如果你安装了vscode会弹出一段 html 文件，打开包含的链接即可
在网页页面的右上角点击New ----> Python3

在这里插入图片描述

进入工作区后可以在这个框框里执行终端命令（指令前面要加英文感叹号 ! ）
直接执行单句 python 代码或多句 python 脚本，并实时看到结果输出

在这里插入图片描述

四、Numpy创建矩阵实操（动手做一做）

作者写文章都是自己做过的，心里明白怎么做，但是如果读者光看不做是很难学会技能的哦，这些并不复杂。要看，做，记，大家看会了，做会了，才是学会了，然后再总结拓展，发博客去指引更多学者吧！

1、导入numpy库

要使用numpy进行矩阵运算，你得首先在环境中导入安装好的numpy库
输入下面的 python 代码行，并点击jupyter工具栏的 运行

import numpy as np

在这里插入图片描述

这句代码的意思是导入numpy库，并起个方便使用的名称 np

2、创建一个三阶单位矩阵

另起一行，输入下面的代码行来创建一个三阶单位矩阵（传的参数就是几阶矩阵）

np.identity(3)

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

尝试创建一个二阶矩阵吧！

3、创建一个 3 x 3 零矩阵

另起一行，输入下面的代码行来创建一个3x3零矩阵（传的参数就是矩阵形状，这里要传入一个数对，用中括号括起来，逗号分隔）

np.zeros([3,3])

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

试试创建别的形状的零矩阵

4、创建一个 2 x 3 随机矩阵

np.random.rand(3,3)

array([[0.55655207, 0.26795032, 0.91922799],
       [0.66096531, 0.03628715, 0.21136484],
       [0.12644681, 0.6130859 , 0.59766942]])

5、用已有数据创建一个自定义矩阵

直接使用 np.array 指定一个矩阵

np.array([[5, 6, 8],
         [1, 8, 7],
         [2, 6, 3]])

array([[5, 6, 8],
       [1, 8, 7],
       [2, 6, 3]])

6、还有更多类型矩阵的创建方法，后面遇到再说

五、Numpy矩阵运算实操（动手做一做）

1、.reshape() 矩阵变形

矩阵（Matrix），为什么在numpy中却用 “array” （数组）来表示？其实我们可以说，numpy的矩阵就是一个存储了多个数组的数组，是一个二维数据分布的变量，从上面的矩阵结果来看也是这样的
也有关于“矩阵是一个多维数组”的说法，不过作者不敢苟同，矩阵一般是二维的（只有行和列），和维度相关的一般叫张量，维度和张量的关系一般这么规定：0维的张量就是标量，1维的张量就是向量，2维的张量就是矩阵，大于等于3维的张量没有名称，统一叫做张量。张量、矩阵和向量区别_张量和向量的区别-CSDN博客
我们可以对矩阵的二维特征（行和列）进行“重塑变形”，使用 numpy 的 reshape() 函数

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

array([[5, 6, 8, 1, 8, 7, 2, 6, 3]])

这样就把这个 3x3 的矩阵转换成了 1x9的矩阵了
试试再转换回去
如果元素数量对不上，是无法进行转换的

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

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[14], line 3
      1 np.array([[5, 6, 8],
      2          [1, 8, 7],
----> 3          [2, 6, 3]]).reshape(2,4)

ValueError: cannot reshape array of size 9 into shape (2,4)

2、np.allclose() 矩阵对比

numpy的 allclose() 函数，比较两个array是不是每一元素都相等，默认在1e-05的误差范围内

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

True

不一样则返回 False

A = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
B = np.array([[11, 12, 13],
              [14, 5, 16],
              [17, 18, 9]])
np.allclose(A,B)

False

3、np.add() 矩阵相加

使用 asarray 和 array 的区别（不懂可以先跳过，用两个都可以）：
- 当使用 array 函数时，默认情况下，如果输入数据已经是一个 NumPy 数组，它会创建这个数组的一个新副本。
- asarray 函数在处理已经为 NumPy 数组的输入时，不会创建数据的副本，而是直接返回输入数组本身。这可以节省内存和时间，特别是当处理大型数组时。
add() 函数：

A = np.asarray([5,2,7,5,6,4,8,2,4]).reshape(3,3)
B = np.asarray([4,1,9,3,1,0,6,2,2]).reshape(3,3)
np.add(A,B)

array([[ 9,  3, 16],
       [ 8,  7,  4],
       [14,  4,  6]])

4、np.dot() 矩阵相乘

矩阵点乘（对应位相乘），简单，不做解释

A = np.asarray([5,2,7,5,6,4,8,2,4]).reshape(3,3)
B = np.asarray([4,1,9,3,1,0,6,2,2]).reshape(3,3)
A*B

array([[20,  2, 63],
       [15,  6,  0],
       [48,  4,  8]])

A x B 矩阵叉乘，使用 numpy dot() 函数

A = np.asarray([5,2,7,5,6,4,8,2]).reshape(2,4)
B = np.asarray([4,1,9,3,1,0,6,2]).reshape(4,2)
np.dot(A,B)

A矩阵：
[[5 2 7 5]
 [6 4 8 2]]
B矩阵：
[[4 1]
 [9 3]
 [1 0]
 [6 2]]
A X B：
array([[75, 21],
       [80, 22]])

B x A

A = np.asarray([5,2,7,5,6,4,8,2]).reshape(2,4)
B = np.asarray([4,1,9,3,1,0,6,2]).reshape(4,2)
np.dot(B,A)

A矩阵：
[[5 2 7 5]
 [6 4 8 2]]
B矩阵：
[[4 1]
 [9 3]
 [1 0]
 [6 2]]
B X A：
array([[26, 12, 36, 22],
       [63, 30, 87, 51],
       [ 5,  2,  7,  5],
       [42, 20, 58, 34]])

5、.T 矩阵转置

使用 numpy 的 .T 方法

A = np.asarray([5,2,7,5,6,4,8,2]).reshape(2,4)
print("A矩阵:")
print(A)
print("A矩阵转置:")
A.T

A矩阵:
[[5 2 7 5]
 [6 4 8 2]]
A矩阵转置:
array([[5, 6],
       [2, 4],
       [7, 8],
       [5, 2]])

6、np.linalg.inv() 计算逆矩阵

使用 np.linalg.inv() 计算逆矩阵，传入矩阵为方阵

A = np.asarray([5,7,4,2,1,6,3,1,5]).reshape(3,3)
print("A矩阵:")
print(A)
print("A矩阵的逆矩阵:")
np.linalg.inv(A)

A矩阵:
[[5 7 4]
 [2 1 6]
 [3 1 5]]
A矩阵的逆矩阵:
array([[-0.0212766 , -0.65957447,  0.80851064],
       [ 0.17021277,  0.27659574, -0.46808511],
       [-0.0212766 ,  0.34042553, -0.19148936]])

如果矩阵不存在逆矩阵，则会报错，下面这个矩阵的行列式为0

A = np.asarray([1,2,1,2,4,2,1,2,1]).reshape(3,3)
print("A矩阵:")
print(A)
print("A矩阵的逆矩阵:")
np.linalg.inv(A)

A矩阵:
[[1 2 1]
 [2 4 2]
 [1 2 1]]
A矩阵的逆矩阵:
---------------------------------------------------------------------------
LinAlgError                               Traceback (most recent call last)
Cell In[41], line 5
      3 print(A)
      4 print("A矩阵的逆矩阵:")
----> 5 np.linalg.inv(A)

File D:\python312\Lib\site-packages\numpy\linalg\_linalg.py:608, in inv(a)
    605 signature = 'D->D' if isComplexType(t) else 'd->d'
    606 with errstate(call=_raise_linalgerror_singular, invalid='call',
    607               over='ignore', divide='ignore', under='ignore'):
--> 608     ainv = _umath_linalg.inv(a, signature=signature)
    609 return wrap(ainv.astype(result_t, copy=False))

File D:\python312\Lib\site-packages\numpy\linalg\_linalg.py:104, in _raise_linalgerror_singular(err, flag)
    103 def _raise_linalgerror_singular(err, flag):
--> 104     raise LinAlgError("Singular matrix")

LinAlgError: Singular matrix