合并矩阵numpy_Numpy-Array-Basic

本文将对python的Numpy库中部分常用的知识进行总结整理。

---

Why we choose Numpy:

Python list 的特点

• 数据类型不限 --> 灵活性强 || 效率降低

array.array 的特点

• 单一类型数据 ，弥补了原生list的不足
• 没有把数据当作向量或矩阵，不支持基本运算
• 不支持 float -> int 的隐性转换

numpy.array 的特点

• 单一数据类型
• 多种操作指令
• 丰富的矩阵运算

numpy 的使用：

1. create：

直接创建:

import numpy as np
nparr = np.array( [ i for i in range(10) ] )

创建特殊矩阵：

1. 零矩阵 zeros

np.zeros( shape = (3, 5), dtype = int )

2. 全1矩阵 ones

np.ones(10)

3. 全部为指定数字 full

np.full(shape = (3, 5), fill_value = 666)

4. arrange

• in python: [i for i in range(0, 1, 0.2)]
  • 第一个数字：左区间（闭）
  • 第二个数字：右区间（开）
  • 第三个数字：步长
  • 特点：步长为整数

• in numpy: np.arrage(0， 1， 0.2)
  • 特点 ：步长可为浮点数

5. linspace

• np.linspace(0, 20, 10)
  • 第三位数字表示在所给区间中平均分为x个数
  • 左右区间都是 闭区间

6. random

• 调用 ：np.random.xxx
• randint (0, 10)
  • [0, 10) 之间的随机数
  • size = （矩阵的大小）

• seed
  • 决定随机数的种子
  • 测试算法的时候可以使用固定的种子
• random
  • [0, 1)之间的随机数
  • 可以给出size定义所需要的矩阵

• normal
  • 符合正态分布的随机数
  • np.random.normal(a, b, size)
    • a -> 期望
    • b -> 方差

2. operations 操作：

1. numpy.array 的基本属性

ndim

• 矩阵的维度

shape

• 矩阵的尺寸大小

size

• 矩阵的元素个数

dtype

• 显示array中的元素的数据类型

2. numpy.array 的数据访问

1. 下标索引
2. x[0]
3. x[a, b] -> row a+1, column b+1
4. -1 实现倒序访问：
5. x[-1] -> 最后一个元素
6. 切片：
7. 前一个数字默认从头开始

• x[:5] -> [0, 5)个元素

8. 后一个数字默认最后一位数

• • x[0:] -> all

3. subarray 子阵列

• 切片产生的子阵列是与原来的矩阵 共用存储空间的变量 ，一旦两者其一的数据改变，会导致另一方数据的变化
• .copy() 产生副本可以避免问题

4. reshape

• .r