前言
最近数学建模的比赛需要用上Python,这里的Python速成笔记仅作为学习所用,欢迎大家在评论区多多讨论
Numpy是高性能科学计算和数据分析的基础包。Numpy本身并没有提供多么高级的数据分析功能,理解 Numpuy 数组以及面向数组的计算将有助于你提高处理数据能力。本节内容介绍ndarray数组和矩阵。
一、ndarray数组基础
使用 ndarray 数组,需要导入 Numpy 函数库。
导入方法1:直接导入该函数库:
from numpy import *
导入方法2:指定导入库的别名(在引入多个库的时候,推荐使用这个方法)。
import numpy as np
下面正式进入Numpy的数组世界。如果没有说明,所称数组均为 Numpy 数组对象,与 Python 的列表和 array模块无关。
1.1 创建数组
创建数组是进行数组计算的第一步,可以通过numpy库包内的array()函数定义数组实例对象,其参数为Python 的序列对象,如果想定义多维数组,则传递多层嵌套的序列。
例如下面这条语句定义了一个二维数组,其大小为(2,3),即有2行,3列。
a = np.array([[1,2,3.0],[2,3,4.0]])
print(a)
输出:
[[ 1. 2. 3.]
[ 2. 3. 4.]]
以下三种操作,可以帮助我们查看数组的一些属性:
① 查看行数使用 ndim
a.ndim
输出:
2
② 查看数组的维数使用shape,返回(n,m), 其中 n 为行数,m 为列数
a.shape
输出:
(2, 3)
③ 查看元素的类型使用dtype,比如 numpy.int32、numpy.float64
a.dtype
输出:
dtype('float64')
1.2 特殊数组
Numpy的特殊数组主要有以下三种:
zeros数组:全零数组,元素全为0;
ones数组:全1数组,元素全为1;
empty数组:空数组,元素全近似为0;
创建方法分别为:
① zeros数组
np.zeros((2,5))
输出:
array([[ 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0.]])
② ones数组
np.ones((6,7))
输出:
array([[ 1., 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1., 1.]])
③ empty数组
np.empty((3,3))
输出:
array([[ 6.93055009e-310, 6.93055009e-310, 6.93055008e-310],
[ 6.93055008e-310, 6.93055008e-310, 6.93055009e-310],
[ 6.93055008e-310, 6.93055009e-310, 6.93055008e-310]])
1.3 序列数组
① arange函数:属于Numpy 库,其参数依次为:开始值、结束值、步长。
np.arange(1,100,5)
输出:
array([ 1, 6, 11, 16, 21, 26, 31, 36, 41, 46, 51, 56, 61, 66, 71, 76, 81,86, 91, 96])
② linspace 函数创建等差序列数组,其参数依次为:开始值、结束值、元素数量。
np.linspace(1,100,5)
输出:
array([ 1. , 25.75, 50.5 , 75.25, 100. ])
1.4 数组索引
Numpy 数组的每个元素、每行元素、每列元素都可以用索引访问。注意:索引是从 0 开始的。
其操作与列表基本相同,以下是三种操作方式:
a = np.array([[1,2,4.0],[3,6,9]])
① 取 a 的第一行元素
a[0]
输出:
array([ 1., 2., 4.])
② 取 a 的第二列元素
a[:,1]
输出:
array([ 2., 6.])
③ 取 a 的第一行的第三个元素
a[0,2]
输出:
4.0
1.5 数组运算
以下介绍10种常用运算
a = np.array([1,2,3])
b = np.array([4.,5,6])
① 加法运算
a + b
输出:
array([ 5., 7., 9.])
② 减法运算
a - b
输出:
array([-3., -3., -3.])
③ 乘法运算
a * b
输出:
array([ 4., 10., 18.])
④ 乘方运算:a的2次方
a ** 2
输出:
array([1, 4, 9])
⑤ 除法运算
a/b
输出:
array([ 0.25, 0.4 , 0.5 ])
⑥ 数组点乘
np.dot(a,b)
1X4+2X5+3X6=32
输出:
32.0
⑦ 判断大小,返回 bool 值
a >= 2
输出:
array([False, True, True], dtype=bool)
⑧ a中最大的元素
a.max()
输出:
3
⑨ a中最小的元素
a.min()
输出:
1
⑩ a的和
a.sum()
输出:
6
1.6 数组拷贝
数组的拷贝分为浅拷贝和深拷贝两种:
① 浅拷贝通过数组变量的复制完成
② 深拷贝使用数组对象的copy方法完成
浅拷贝只拷贝数组的引用,如果对拷贝对象修改。原数组也将修改。
以下是浅拷贝的演示:
a = np.ones((2,3))
print(a)
输出:
[[ 1. 1. 1.]
[ 1. 1. 1.]]
b 为 a 的浅拷贝
b = a
print(b)
输出:
[[ 1. 1. 1.]
[ 1. 1. 1.]]
对 b 进行修改,a 也会被修改
b[1,2] = 9
print(a)
输出:
[[ 1. 1. 1.]
[ 1. 1. 9.]]
以下是深拷贝的演示:
深拷贝会复制一份和原数组一样的数组,但他们在内存中是分开存放的,所以改变拷贝数组,原数组不会改变。
a = np.ones((2,3))
print(a)
输出:
[[ 1. 1. 1.]
[ 1. 1. 1.]]
b = a.copy()
b[1,2] = 9
print(b)
输出:
[[ 1. 1. 1.]
[ 1. 1. 9.]]
print(a)
输出:
[[ 1. 1. 1.]
[ 1. 1. 1.]]
二、矩阵
2.1 创建矩阵
Numpy的矩阵对象与数组对象相似,主要不同之处在于,矩阵对象的计算遵循矩阵数学运算规律。
矩阵使用 matrix 函数创建,以(2,2)大小的矩阵为例(2行2列),定义方法如下:
a = np.matrix([[1.0,2.0],[3.0,4.0]])
print(a)
输出:
[[ 1. 2.]
[ 3. 4.]]
type函数可以查看a的类型
type(a)
输出:
numpy.matrixlib.defmatrix.matrix
2.2 矩阵运算
矩阵的常用数学运算有转置、乘法、求逆等。分别一一实例讲述。
创建一个矩阵:
b=np.matrix([[4.0,6.0],[2.0,8.0]])
print(b)
输出:
[[ 4. 6.]
[ 2. 8.]]
① 转置操作
b.T
输出:
matrix([[ 4., 2.],
[ 6., 8.]])
② 矩阵乘法
c=np.matrix([[2.0,2.0],[2.0,2.0]])
b*c
输出:
matrix([[ 20., 20.],
[ 20., 20.]])
③ 逆矩阵
b.I
输出:
matrix([[ 0.4, -0.3],
[-0.1, 0.2]])