数组两个数的和python_python数据分析与挖掘（十二）--- 数组间运算

1 场景

数据：

[[80, 86],

[82, 80],

[85, 78],

[90, 90],

[86, 82],

[82, 90],

[78, 80],

[92, 94]]

2 数组与数的运算

arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])

arr + 1

arr / 2

# 可以对比python列表的运算，看出区别

a = [1, 2, 3, 4, 5]

a * 3

3 数组与数组的运算

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])

arr2 = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])

上面这个能进行运算吗，结果是不行的！

4 广播机制

执行 broadcast 的前提在于，两个 ndarray 执行的是 element-wise的运算，Broadcast机制的功能是为了方便不同形状的ndarray(numpy库的核心数据结构)进行数学运算。

当操作两个数组时，numpy会逐个比较它们的shape(构成的元组tuple)，只有在下述情况下，两个数组才能够进行数组与数组的运算。

维度相等

shape(其中相对应的一个地方为1)

例如：

Image (3d array): 256 x 256 x 3

Scale (1d array): 3

Result (3d array): 256 x 256 x 3

A (4d array): 9 x 1 x 7 x 1

B (3d array): 8 x 1 x 5

Result (4d array): 9 x 8 x 7 x 5

A (2d array): 5 x 4

B (1d array): 1

Result (2d array): 5 x 4

A (3d array): 15 x 3 x 5

B (3d array): 15 x 1 x 1

Result (3d array): 15 x 3 x 5

如果是下面这样，则不匹配：

A (1d array): 10

B (1d array): 12

A (2d array): 2 x 1

B (3d array): 8 x 4 x 3

思考：下面两个ndarray是否能够进行运算？

arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])

arr2 = np.array([[1], [3]])

5 矩阵运算

现在再次回到最开始的学生成绩问题：

思考：如何能够直接得出每个学生的成绩？

6 什么是矩阵

矩阵，英文matrix，和array的区别矩阵必须是2维的，但是array可以是多维的。np.mat()将数组转换成矩阵类型

a = np.array([[80, 86],

[82, 80],

[85, 78],

[90, 90],

[86, 82],

[82, 90],

[78, 80],

[92, 94]])

b = np.array([[0.7], [0.3]])

np.mat(a)

7 矩阵乘法运算

矩阵乘法的两个关键：形状改变

运算规则

形状改变：

必须符合上面的式子，否则运算出错。

运算规则：

矩阵乘法api：np.matmul

>>> a = np.array([[80, 86],

[82, 80],

[85, 78],

[90, 90],

[86, 82],

[82, 90],

[78, 80],

[92, 94]])

>>> b = np.array([[0.7], [0.3]])

>>> np.matmul(a, b)

array([[81.8],

[81.4],

[82.9],

[90. ],

[84.8],

[84.4],

[78.6],

[92.6]])

>>> np.dot(a,b)

array([[81.8],

[81.4],

[82.9],

[90. ],

[84.8],

[84.4],

[78.6],

[92.6]])