【Python】numpy笔记

numpy简介

什么是numpy

NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

numpy的应用

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

ndarray

numpy的ndarray对象，别名叫做array。需要注意的是，numpy.array≠array.array，后者是python标准库的对象，只能处理一维数组对象且功能较少。

• ndarray的属性

属性名	描述
ndarray.ndim	n dimension，即array的维度数，也称作rank
ndarray.shape	即数组的维度，返回一个整数元组，如二维数组(m,n)
ndarray.size	数组元素的个数，相当于shape元素的成绩
ndarray.dtype	描述数组中元素类型的对象

• 例子

>>> import numpy as np
>>> num=np.array([[1,2,3],[4,5,6]])
>>> num.ndim
2
>>> num.shape
(2, 3)
>>> num.size
6

zeros

用于创建一个0矩阵。

>>> s=np.zeros((5,2))
>>> s
array([[0., 0.],
       [0., 0.],
       [0., 0.],
       [0., 0.],
       [0., 0.]])

ones

类似于zeros，创建的是全1矩阵。

arrange

用于创建一维数组

• ndarray.arrange(first,end,len)，区间为[first,end]，步长len。
• ndarray.arrange(num)，创建的数组为0,1,2……num-1。

>>> np.arange(0,5,2)
array([0, 2, 4])
>>> np.arange(5)
array([0, 1, 2, 3, 4])

reshape

用于改变矩阵的维度。

>>> num=num.reshape(2,3)
>>> num
array([[1, 2, 3],
       [4, 5, 6]])
>>> num=num.reshape(6)
>>> num
array([1, 2, 3, 4, 5, 6])

max,min和sum

>>> print(a.dot(b))
[[10 13]
 [28 40]]
>>> print(a)
[[0 1 2]
 [3 4 5]]
>>> a.sum()
15
>>> a.min()
0
>>> a.max()
5

矩阵乘法

array中，*表示元素内的运算，而不是矩阵乘法，乘法用@或dot函数替代

>>> a=np.arange(6).reshape(2,3)
>>> b=np.arange(6).reshape(3,2)
>>> print(a)
[[0 1 2]
 [3 4 5]]
>>> print(2*a)
[[ 0  2  4]
 [ 6  8 10]]
>>> print(a@b)
[[10 13]
 [28 40]]
 >>> print(a.dot(b))
[[10 13]
 [28 40]]

axis参数

指定操作的轴

>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>
>>> b.sum(axis=0)                            # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1)                            # min of each row
array([0, 4, 8])

转置矩阵

常用的方法是访问array的T属性。

>>> a
array([[0, 1, 2],
       [3, 4, 5]])
>>> a.T
array([[0, 3],
       [1, 4],
       [2, 5]])

单位矩阵

• 可以用identity或eye

>>> np.identity(2)
array([[1., 0.],
       [0., 1.]])
>>> np.eye(2)
array([[1., 0.],
       [0., 1.]])

• 也可以采用对角矩阵的diag生成法

>>> np.diag([1]*2)
array([[1, 0],
       [0, 1]])

矩阵堆叠

• hstack横向堆叠
• vstack纵向堆叠

>>> a=np.array([0,1,2])
>>> b=np.array([3,4,5])
>>> np.hstack((a,b))
array([0, 1, 2, 3, 4, 5])
>>> np.vstack((a,b))
array([[0, 1, 2],
       [3, 4, 5]])

矩阵分割

把矩阵等分

• hsplit横向分割
• vsplit纵向分割

>>> a
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.hsplit(a,3)
[array([[0],
       [3]]), array([[1],
       [4]]), array([[2],
       [5]])]
>>> np.vsplit(a,2)
[array([[0, 1, 2]]), array([[3, 4, 5]])]

linalg

linalg.det

计算矩阵的行列式：numpy.linalg.det(a)

solve

numpy.linalg.solve(a,b)用于求解线性矩阵方程

>>> b=np.array([4]).reshape(1,1)
>>> a=np.array([2]).reshape(1,1)
>>> np.linalg.solve(a,b)
array([[2.]])

inv

numpy.linalg.inv(a)求矩阵的逆

>>> a=([[1,2],[2,1]])
>>> b=np.linalg.inv(a)
>>> a@b
array([[1., 0.],
       [0., 1.]])