numpy 矩阵与向量相乘_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

• .reshape() -> 将原来的向量变成指定大小的矩阵

5. concatenate and split 合并与分割

1. concatenate

• 向量的合并：直接并到原向量最后
• 矩阵的合并：默认第一维度合并
  • axis ：指定合并的维度，默认axis = 0
  • 合并时在合并维度上两矩阵大小要相同
  • 可以用reshape进行变换后再进行合并

2. _ stack

• np.vstack ->第一维度合并
• np.hstack ->第二维度合并

3. split

x =np.arrage(10)   
x1, x2, x3 = np.split(x, [3, 7])

--> x1[0, 1, 2]
--> x2[3, 4, 5 ,6]
--> x3[7, 8, 9]

• 第二个变量以数组形式给出分割点，为不可取点
• 若为矩阵分割：
  • 默认axis = 0 ->沿着第一维度方向分割

4. _ split

• vstack -> 第一维度
• hstack -> 第二维度

3. computation 运算

点乘

• python原生矩阵点乘的语法得到的是 list的复制
• numpy的点乘得到的是数学意义上的结果
• numpy的效率优化使得相同代码运行速度比原生语法快两个数量级

NumPy’s UFuncs (Universal Functions)

1. 加法 +
2. 减法 -
3. 乘法 *
4. 除法 /
5. 整数除法 //
6. 乘方 **
7. 取余 %
8. 取倒数 1 / x
9. 绝对值 np.abs()
10. 三角函数与反三角函数 np.sin/cos/tan() np.arcsin()
11. 指数:
12. np.exp() -> 以e为底
13. np.exp2() -> 以2为底
14. 任意底数：np.power()
15. 对数：
16. 以e为底：np.log()
17. 以2为底：np.log2()
18. 以10为底：np.log10()

矩阵运算

• 基本四则运算 -> 对应元素进行运算
• 乘法：
  • 单写 A * B --> 对应元素相乘
  • 矩阵相乘 ：A.dot(B) -->A×B
  • 这个特性对于机器学习的数据处理非常重要

• 转置：A.T
• 伪逆：np.linalg.pinv
  • 伪逆 ：X.dot(pinvX) == I

4. aggregation 聚合

sum

• sum()
• 原生和numpy都有相应的函数，但numpy经过优化，效率是原生的两个数量级

min, max

• np.min
• np.max
• 求出矩阵中的最大值和最小值

多维度聚合

• 给 sum() 增加参数axis
• axis表示压缩的维度
• for instance：axis == 0 时，朝第一维度方向，把每列的元素相加

其他聚合操作

np.prod 求乘积

np.mean 均值

np.median 中位数

np.percentile（q = ?）

• 求百分之?的位数（即百分之多少的数与其他数的分界线，从小到大排列）
• 我们关心的百分位数通常有：
  • 25%， 50%， 75%， 100%

np.var（） 方差

np.std 标准差

5. Arg 索引

索引的基本运用

np.argmin 获得最小值的索引

np.argmax 获得最大值的索引

排序与索引

np.random.shuffle（X） 随机乱序

np.sort 排序

np.argsort 按照值的排序输出对应值的索引

np.partition

• 按所给值进行分区，并不进行具体排序

np.argpartition

• 如上同理，输出对排序后的值的原位置索引

Comparison and Fancy Indexing

Fancy Indexing

x[a]

• 取出x中第a+1个元素

x[a, b] -->切片

• 取出x中[a+1, b+1)个元素

x[a, b, c]

Numpy-Array-Basic

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

• .reshape() -> 将原来的向量变成指定大小的矩阵

5. concatenate and split 合并与分割

1. concatenate

• 向量的合并：直接并到原向量最后
• 矩阵的合并：默认第一维度合并
  • axis ：指定合并的维度，默认axis = 0
  • 合并时在合并维度上两矩阵大小要相同
  • 可以用reshape进行变换后再进行合并

2. _ stack

• np.vstack ->第一维度合并
• np.hstack ->第二维度合并

3. split

x =np.arrage(10)   
x1, x2, x3 = np.split(x, [3, 7])

--> x1[0, 1, 2]
--> x2[3, 4, 5 ,6]
--> x3[7, 8, 9]

• 第二个变量以数组形式给出分割点，为不可取点
• 若为矩阵分割：
  • 默认axis = 0 ->沿着第一维度方向分割

4. _ split

• vstack -> 第一维度
• hstack -> 第二维度

3. computation 运算

点乘

• python原生矩阵点乘的语法得到的是 list的复制
• numpy的点乘得到的是数学意义上的结果
• numpy的效率优化使得相同代码运行速度比原生语法快两个数量级

NumPy’s UFuncs (Universal Functions)

1. 加法 +
2. 减法 -
3. 乘法 *
4. 除法 /
5. 整数除法 //
6. 乘方 **
7. 取余 %
8. 取倒数 1 / x
9. 绝对值 np.abs()
10. 三角函数与反三角函数 np.sin/cos/tan() np.arcsin()
11. 指数:
12. np.exp() -> 以e为底
13. np.exp2() -> 以2为底
14. 任意底数：np.power()
15. 对数：
16. 以e为底：np.log()
17. 以2为底：np.log2()
18. 以10为底：np.log10()

矩阵运算

• 基本四则运算 -> 对应元素进行运算
• 乘法：
  • 单写 A * B --> 对应元素相乘
  • 矩阵相乘 ：A.dot(B) -->A×B
  • 这个特性对于机器学习的数据处理非常重要

• 转置：A.T
• 伪逆：np.linalg.pinv
  • 伪逆 ：X.dot(pinvX) == I

4. aggregation 聚合

sum

• sum()
• 原生和numpy都有相应的函数，但numpy经过优化，效率是原生的两个数量级

min, max

• np.min
• np.max
• 求出矩阵中的最大值和最小值

多维度聚合

• 给 sum() 增加参数axis
• axis表示压缩的维度
• for instance：axis == 0 时，朝第一维度方向，把每列的元素相加

其他聚合操作

np.prod 求乘积

np.mean 均值

np.median 中位数

np.percentile（q = ?）

• 求百分之?的位数（即百分之多少的数与其他数的分界线，从小到大排列）
• 我们关心的百分位数通常有：
  • 25%， 50%， 75%， 100%

np.var 方差

np.std 标准差

5. Arg 索引

索引的基本运用

np.argmin 获得最小值的索引

np.argmax 获得最大值的索引

排序与索引

np.random.shuffle（X） 随机乱序

np.sort 排序

np.argsort 按照值的排序输出对应值的索引

np.partition

• 按所给值进行分区，并不进行具体排序

np.argpartition

• 如上同理，输出对排序后的值的原位置索引

Comparison and Fancy Indexing

Fancy Indexing

x[a]

• 取出x中第a+1个元素

x[a, b] -->切片

• 取出x中[a+1, b+1)个元素

x[a, b, c]

• 切片且步长为c

索引搜索

ind = [3, 5, 7]
x[ind]

• 取出相应索引的元素
• 还可以是二维数组，多维矩阵......

Fancy Indexing 与二维数组

• 可以直接输入相应的数组作为索引

col = np.array([1, 2, 3])
X[:2, col]

• col 还可以是bool型的数组：

col = [True, False, True, False]
X[0, col]

比较

数组自身的比较：

1. < and >
2. ==
3. !=
4. 含有数组的方程的不等式运算
5. warning 比较后得到一个原数组shape的bool类型矩阵

使用比较的结果：

• np.count_nonzero(X >= 3)
• np.sum(X >= 3)
  • bool类型数组中只有true才是非零，所以这个函数可以用来统计数组中满足条件的元素个数

• np.any(X == 0)
  • 如果有满足条件的元素存在返回True
• np.all(X >= 0)
  • 如果所有元素都满足条件 --> True

• warning
  • 在该类函数中运用非要使用 ~

比较结果和Fancy Indexing

• 比较结果是一个bool类型的数组
• 把比较结果的数组输入进原数组中，可以得到满足比较条件的元素值
• 还可以复合使用切片的方法切片且步长为c

索引搜索

ind = [3, 5, 7]
x[ind]

• 取出相应索引的元素
• 还可以是二维数组，多维矩阵......

Fancy Indexing 与二维数组

• 可以直接输入相应的数组作为索引

col = np.array([1, 2, 3])
X[:2, col]

• col 还可以是bool型的数组：

col = [True, False, True, False]
X[0, col]

比较

数组自身的比较：

1. < and >
2. ==
3. !=
4. 含有数组的方程的不等式运算
5. warning 比较后得到一个原数组shape的bool类型矩阵

使用比较的结果：

• np.count_nonzero(X >= 3)
• np.sum(X >= 3)
  • bool类型数组中只有true才是非零，所以这个函数可以用来统计数组中满足条件的元素个数

• np.any(X == 0)
  • 如果有满足条件的元素存在返回True
• np.all(X >= 0)
  • 如果所有元素都满足条件 --> True

• warning
  • 在该类函数中运用非要使用 ~

比较结果和Fancy Indexing

• 比较结果是一个bool类型的数组
• 把比较结果的数组输入进原数组中，可以得到满足比较条件的元素值
• 还可以复合使用切片的方法