python等差数列末项计算_【python好用模组-numpy】矩阵数学运算的好工具 #numpy语法详尽整理 – 速买网...

Warning: mysqli_query(): (HY000/1): Can't create/write to file '/tmp/#sql_a75_0.MYI' (Errcode: 28 - No space left on device) in /www/wwwroot/www.soomai.com/wp-includes/wp-db.php on line 2033

嗨，大家好，

今天要来认识处理矩阵运算的好工具- numpy，

网络上说numpy的好用程度堪比matlab，

可以很方便的做矩阵乘法、求矩阵的逆矩阵，

使一些复杂的数学运算成为可能

安装

numpy不是python的内建模组，

可能会需要另外安装。

但如果你是直接安装anaconda 的话，

那numpy也已经装好了，不必再额外安装

基础概念

首先学习如何宣告一个numpy的矩阵，

要得到一个numpy的矩阵很简单，

用np.array把python的list包起来就可以，

以下是实例:import numpy as npList = [[i for i in range(3)] for j in range(4)]A = np.array(List)print(A)

结果:[[0 1 2] [0 1 2] [0 1 2] [0 1 2]]

Matrix 或 ndarray?

在numpy中有两种宣告矩阵的方法:import numpy as npList = [[i for i in range(3)] for j in range(4)]A = np.array(List)print(A)print(type(A))B = np.matrix(List)print(B)print(type(B))

结果:[[0 1 2] [0 1 2] [0 1 2] [0 1 2]][[0 1 2] [0 1 2] [0 1 2] [0 1 2]]

根据官方文件NumPy for Matlab users的建议，

使用ndarray会比较好，

有鉴于此，本文接下来的示范以ndarray为主。

另外这份文件也蛮值得一读的，

整理了各项功能对应的指令

重要概念: numpy的加减乘除是对应位置的加减乘除矩阵 运算 矩阵 = 矩阵相同位置的运算各自做运算

矩阵 运算 常数 = 矩阵每个位置去运算该常数

这是我对numpy概念的统整，

看懂这两句话之后，

numpy的逻辑大致理解八成了，

底下举大量例子辅助说明

一、矩阵 运算 矩阵

譬如说我有两个2*2矩阵A, B，

我要做矩阵加、减法可以直接写A+B,A-B，

但是如果写A*B的话，是直接做对应元素的相乘:

(等一下再说如果真的要做矩阵乘法怎么做)import numpy as npA = np.array([ [1,2], [5,3]])B = np.array([ [6,2], [1,7]])print(A+B)print(A-B)print(A*B)

结果:[[ 7 4] [ 6 10]][[-5 0] [ 4 -4]][[ 6 4] [ 5 21]]

这边A*B就直接得到单纯相同位置相乘的结果:[[ 1*6 2*2] [ 5*1 3*7]]

其实不是只有加减乘除，

任何基础运算都遵循这个规则

譬如说A**B就得到[[ 1**6 2**2] [ 5**1 3**7]]

A^B(^是xor运算)就得到[[ 1^6 2^2] [ 5^1 3^7]]

再类推一下，A==B并非判断两个矩阵是否相等，

A==B会得到什么呢?

答案:import numpy as npA = np.array([ [1,2], [5,3]])B = np.array([ [6,2], [1,7]])print(A==B)

结果:[[False True] [False False]]

答案就是比较相同位置元素的值是否相等。

一开始，我也很不习惯这种设计，

为什么矩阵乘法不直接写A*B呢?不直觉

可是了解之后，我觉得其实这个设计还不错耶~

反而非常单纯，

等于不必去记太多额外的语法，

因为所有运算都遵循这样的规则(真正要记的大概就是矩阵乘法和反矩阵最常用)

二、矩阵 运算 常数

再来看矩阵运算常数的例子，

例如A**3可不是矩阵乘法乘三次的意思，

单纯是每个分量相乘:import numpy as npA = np.array([ [1,2], [5,3]])print(A**3)

结果:[[ 1 8] [125 27]]

类推: 3**A其实就是[[3**1 3**2] [3**5 3**3]]

的意思

懂了的话，你也可以尝试推推看print(A>2), print(1/A)应该会得到什么?

印出答案验证你的猜测

常见矩阵运算

相信透过刚刚的介绍，

你应该了解A*B不是矩阵相乘，

1/A或A ** (-1)也不是A的逆矩阵，

这边要示范真的求矩阵相乘与逆矩阵的语法

矩阵相乘、逆矩阵、转置矩阵、判断矩阵是否相等import numpy as npA = np.array([ [1,2], [5,3]])B = np.array([ [6,2], [1,7]])print(A.dot(B)) # 矩阵相乘print(np.linalg.inv(A)) #求A的反矩阵，若A不可逆会出错print(A.T) # 求A的转置矩阵print(np.array_equal(A,B)) # 判断A, B两个矩阵是否相等

结果:[[ 8 16] [33 31]][[-0.42857143 0.28571429] [ 0.71428571 -0.14285714]][[1 5] [2 3]]False

宣告特殊矩阵

numpy的ones, zero, eye分别可以创建全1矩阵、零矩阵、单位矩阵:import numpy as npONE = np.ones((3,4))O = np.zeros((3,4))I = np.eye(3)print(ONE)print(O)print(I)

结果:[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]][[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]][[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]

另外我觉得这两个指令np.arange()和np.linspace()也比较常用，

例子:import numpy as npA = np.arange(5,19,2)B = np.linspace(0,10,7)print(A)print(B)

结果:[ 5. 7.1 9.2 11.3 13.4 15.5 17.6][ 0. 1.66666667 3.33333333 5. 6.66666667 8.33333333 10. ]

若你本来熟悉python基础语法的话，

那么np.arange()的语法跟python原生的range()相当接近，

np.arange(5,19,2)是从5~19(不包含19)，步长为2的阵列

np.linspace(0,10,7) 则是得到首项未项是0和10，

总有7项的等差数列

矩阵合并、调整大小

numpy中的hstack方法和vstack分别可以做「水平合并」与「垂直合并」，

实例:import numpy as npA = np.array([ [1,2], [5,3]])B = np.array([ [6,2], [1,7]])print(np.hstack((A,B)))print(np.vstack((A,B)))

结果:[[1 2 6 2] [5 3 1 7]][[1 2] [5 3] [6 2] [1 7]]

reshape语法可以调整矩阵大小，

实例如下:import numpy as npA = np.arange(1,11)print(A)B = np.reshape(A,(2,5)) #或写 A.reshape((2,5))print(B)A[0] = 20print(B)

结果:[ 1 2 3 4 5 6 7 8 9 10][[ 1 2 3 4 5] [ 6 7 8 9 10]][[20 2 3 4 5] [ 6 7 8 9 10]]

这边需注意用reshape产生的矩阵与原矩阵共用记忆体，

若修改A矩阵的值，B矩阵会跟着修改(需留意这个特性，避免日后程序有bug很难找)

若用resize函数则产生的矩阵不共用记忆体

(参考: NumPy 阵列重塑形状和调整大小)

矩阵取子矩阵

这部分若是已经学过python的切片语法的话我觉得就超简单，

语法非常相似，差别在于二维矩阵的切片会用,隔开列、行

实例:import numpy as npA = np.arange(1,21)A.resize((5,4)) print(A)

结果:[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12] [13 14 15 16] [17 18 19 20]]

这时我想要取第二列(row)以后、第二~三行(column)的子矩阵怎么办呢?(最上面叫「第一列」、最左边叫「第一行」)

实例:import numpy as npA = np.arange(1,21)A.resize((5,4)) print(A[1:, 1:3])

结果:[[ 6 7] [10 11] [14 15] [18 19]]

跟python原生的切片语法超像吧?(留给大家自行领悟)

按条件筛选

譬如说我们想返回矩阵A里面大于6的值，

便可以写A[A>6]，

实例:import numpy as npA = np.arange(1,21)A.resize((5,4)) print(A[A>6]) # 返回一个一维矩阵

结果:[ 7 8 9 10 11 12 13 14 15 16 17 18 19 20]

其它好用运算- 求和、求积、累积和

另外，numpy还有一些其它好用的运算sum, product, cumsum，

实例 (这边发现numpy跟原生的python相比，可能有溢位问题):import numpy as np"""实例:a 是一个三维阵列，大小2*3*4"""a = [[[1,2,3,2], [1,2,3,1], [2,3,4,1]], [[1,0,2,0], [2,1,2,0], [2,1,1,1]]]"""np.sum()可以指定要沿着哪一个分量相加，例如axis=0就是所有a[i][n1][n2]的总和，i=0,1axis=1就是所有a[n0][i][n2]的总和，i=0,1,2axis=2就是所有a[n0][n1][i]的总和，i=0,1,2,3什么都没指定则会将阵列总和算出。np.prod()效果亦同"""print(np.sum(a))print(np.sum(a,axis=0))print(np.sum(a,axis=1))print(np.sum(a,axis=2))print(np.prod(a))print(np.prod(a,axis=0))print(np.prod(a,axis=1))print(np.prod(a,axis=2))"""但需注意numpy可能存在溢位的问题"""nums=[14646444444,45656464662,55644445553,4555555555]print(np.prod(nums)) #溢位

参考资料Python精讲Numpy基础，大牛笔记详细解释

使用 Python 来认识矩阵 透过numpy

从零开始学资料科学：Numpy 基础入门

NumPy for Matlab users

No related posts.