1、numpy库简介:
NumPy提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。
2、numpy库使用:
注:由于深度学习中存在大量的矩阵运算,实践中也主要关注此点。
运行环境:Python3
(1)矩阵(matrix)、列表(list)、数组(array)的转换
list变成array: np.array(A) list变为matrix:np.mat(A) array和matrix相互转换: np. mat(A),np. array(A) matrix和array变换为list: A.tolist() 例:
import numpy as np #导入NumPy库 if __name__ == "__main__": a = [[1, 2, 3], [4, 5, 6]] # 列表 b = np.array(a) # 列表转数组 c = np.mat(a) # 列表转矩阵 d = np.array(c) # 矩阵转数组 e = np.mat(d) # 数组转矩阵 f = e.tolist() # 矩阵转列表
(2) 矩阵创建
import numpy as np #导入NumPy库 if __name__ == "__main__": a =[1,2,3] #列表 a =np.array(a) #数组 a1=np.mat(a) #创建一个1*3的矩阵 或 a2=np.mat([1, 2, 3]) a2=np.mat([[1,3],[2,5]]) #创建一个2*2的矩阵 b1=a2[1,:] #提取第 2 行 b2=a2[:,1] #提取第 2 列 c1=np.mat(np.zeros((3,3))) #创建一个3*3的零矩阵,矩阵这里zeros函数的参数是一个tuple类型(3,3) c2=np.mat(np.ones((2,4))) #创建一个2*4的1矩阵,默认是浮点型的数据,如果需要时int类型,可以使用dtype=int c3=np.mat(np.eye(2,2,dtype=int)) #产生一个2*2的对角矩阵,dtype=int c4=np.mat(np.diag([1,2,3])) #生成一个对角线为1、2、3的对角矩阵
(3)矩阵运算
import numpy as np #导入NumPy库 if __name__ == "__main__": #矩阵相乘 a1=np.mat([1,2]); a2=np.mat([[1],[2]]); a3=a1*a2 #1*2的矩阵乘以2*1的矩阵,得到1*1的矩阵 #矩阵点乘——矩阵对应元素相乘 b1=np.mat([1,2]); b2=np.mat([2,2]); b3=np.multiply(b1,b2) #矩阵求逆 c1=np.mat(np.eye(2,2)*0.5) c2=c1.I #矩阵转置 d1=np.mat([[1,1],[0,0]]) d2=d1.T #矩阵求和 e1=np.mat([[2,1],[3,5]]) e2=e1.sum(axis=0) #列和,这里得到的是1*2的矩阵 e3=e1.sum(axis=1) #行和,这里得到的是2*1的矩阵
(4)计算矩阵最大、最小值和索引
import numpy as np #导入NumPy库 if __name__ == "__main__": a1=np.mat([[1,1],[2,3],[4,2]]) #得到的是3*2的矩阵 a2=a1.max() #计算a1矩阵中所有元素的最大值,这里得到的结果是一个数值 a3=np.max(a1[:,1]) #计算第2列的最大值,这里得到的是一个数值 a4=a1[1,:].max() #计算第2行的最大值,这里得到的是一个数值 a5=np.max(a1,0) #计算每列的最大值,这里得到是一个1*2矩阵 a6=np.max(a1,1) #计算每行的最大值,这里得到是一个3*1矩阵 a7=np.argmax(a1,0) #计算每列的最大值对应在该列中的索引,这里得到是一个1*2矩阵 a8=np.argmax(a1[1,:]) #计算第二行中最大值对应在该行的索引,这里得到的是一个数值
(5)矩阵的合并
import numpy as np #导入NumPy库 if __name__ == "__main__": a=np.mat(np.ones((2,2))) #得到2*2全1矩阵 b= np.mat(np.eye(2)) #得到2*2对角单位矩阵 c= np.vstack((a,b)) #按列合并,即增加行数,得到4*2矩阵 d= np.hstack((a,b)) #按行合并,即行数不变,扩展列,得到2*4矩阵
(6)读取矩阵行列数
import numpy as np #导入NumPy库 if __name__ == "__main__": a=np.shape(np.eye(3))[0] #读出行数,得到1个数 b=np.shape(np.eye(3))[1] #读出列数,得到1个数 m, n = np.shape(np.eye(3)) #读出行列数,得到2个数
(7)随机数
import numpy as np #导入NumPy库 import random #导入随机数random库 if __name__ == "__main__": a = random.randint(0,10) #用于生成一个指定范围内的整数 a1 = random.uniform(0,10) #生成一个指定范围内的随机符点数 a2 = random.randrange(0, 100, 10) #从指定范围内,按指定基数递增的集合中 获取一个随机数 a3 = random.shuffle(["a", "b", "c"] ) #用于将一个列表中的元素打乱 b = np.random.random(size=(2,4)) #生成2*4浮点数随机数组,随机数的值位于0到1之间 b1 = np.random.randint(1,100,size=(3,3)) #生成3*3整数随机数组,随机数的值位于1到100之间 b2 = np.random.binomial(5, 0.5, size=(2,3)) #生成2*3二项分布随机数组,一次试验抛5次硬币朝上的硬币数,做2*3次试验
(7)其他矩阵处理方法
import numpy as np #导入NumPy库 if __name__ == "__main__": a=np.mat([[1,1,7],[2,3,5],[4,2,1]]) #得到的是3*3的矩阵 a1 = np.mean(a,axis=0) #参数axis=0表示对矩阵的每一列求均值,得到1*3矩阵 a2 = np.cov(a,rowvar=0) #计算协方差矩阵,得到3*3数组 a3,a4 = np.linalg.eig(a) #计算矩阵的特征值和特征向量,分别得到3*1数组,3*3矩阵 a5 = np.argsort(a3) #对特征进行排序(升序),函数返回的是原索引值,得到3*1数组
3、总结
Numpy库是一个非常便捷的数学运算库,需要多总结、多运用、多实践,方孰能生巧,日有所进!
参考文献
[1] http://www.runoob.com/python3/python3-tutorial.html
[2] https://www.cnblogs.com/chamie/p/4870078.html