Numpy快速上手篇一

Jupyter Notebook 版可从百度云获取，稍后将上传至 Github。链接见评论区

导入依赖

import numpy as np

创建数组

指定内容的初始化

默认创建一维数组，大小为 $1\times n$

np.array([1,2,3])

得到数组
$$\left[\begin{array}{c}1\\ 2\\ 3\end{array}\right]$$

也可以使用其他方法初始化

初始化为全 $1$

np.ones(2)

得到数组
$$\left[\begin{array}{c}1\\ 1\end{array}\right]$$

初始化为全 $0$

np.zeros(2)

得到向量
$$\left[\begin{array}{c}0\\ 0\end{array}\right]$$

随机初始化

np.random.random(5)

向量的运算

依照线性代数的规则进行

向量与向量

同规格的向量才能相加

np.array([1,2,3]) + np.array([3,2,1])

$$\left[\begin{array}{c}1\\ 2\\ 3\end{array}\right]+\left[\begin{array}{c}3\\ 2\\ 1\end{array}\right]=\left[\begin{array}{c}4\\ 4\\ 4\end{array}\right]$$

向量和数字

向量和标量的运算

np.ones(5) * 5

索引、切片和聚合

通过索引访问数组元素

vector = np.array([1,2,3,4,5])
vector[3:]

使用聚合对数组进行操作

使用 min，max，sum，prod（元素累乘），std（标准差）等方法

vector = np.array([1,2,3,4,5,6])
vector.min()
vector.max()
vector.max()
vector.mean()
vector.prod()
vector.std()

多维向量、矩阵操作

创建多维矩阵

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

通过传入对应的参数，向量适用的初始化方法对矩阵也有效。
注意传入的参整体要带上 $()$

np.ones((3,4))

矩阵运算

四则运算

即 $+,-,\times ,÷$
注意此处矩阵乘法的定义
$$(\text{AB}{)}_{ij}=\sum _{k=1}^p{a}_{ik}{b}_{kj}$$
除法的定义同理
$$(\text{A}÷\text{B}{)}_{ij}=\sum _{k=1}^p{a}_{ik}÷b_{kj}$$

点积运算

使用 dot() 实现点积运算

np.array([[1,2],
          [3,4]]).dot(np.array([[1,2],
                                [3,4]]))

$$\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]\cdot \left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]=\left[\begin{array}{cc}7& 10\\ 15& 22\end{array}\right]$$

矩阵索引

矩阵的索引需要行、列两个参数

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

$$matrix=\left[\begin{array}{cc}1& 2\\ 3& 4\\ 5& 6\end{array}\right]$$

matrix[0,0]

得到 $1$

matrix[0:2]

得到矩阵
$$\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]$$

matrix[1:3,1]

得到向量
$$\left[\begin{array}{c}4\\ 6\end{array}\right]$$

矩阵聚合

类似对向量的操作

矩阵运算

矩阵转置

matrix.T

$${\left[\begin{array}{cc}1& 2\\ 3& 4\\ 5& 6\end{array}\right]}^T=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right]$$

矩阵维度变化

将输入的数据转化为制定的维度
以行为顺序，依次将原矩阵中的元素“填充”到新矩阵形态中

matrix.reshape(3,2)