第三,然后将上述文件夹路径加入到系统变量中。
方法如下:把Scripts这个目录拷贝下来,然后“右击计算机-属性-高级系统设置-环境变量-系统变量-path-编辑它”将刚才的路径粘贴进去。
第四,然后在dos命令下输入pip3.4 install +numpy的路径+文件名。比如我的是:
pip3.4
install D:\Python34\Scripts\numpy-1.11.2-cp34-none-
win32.whl#md5=532f1b0a76ca4157e897cf823b06cc3b.whl
结束:安装成功就会提示successfully installed
数组处理:matlab 与numpy 的对比
http://blog.csdn.net/xiaoyanghijk/article/details/52079497
Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包,需要导入numpy。SciPy包以NumPy包为基础,大大的扩展了numpy的能力。为了使用的方便,scipy包在最外层名字空间中包括了所有的numpy内容,因此只要导入了scipy,不必在单独导入numpy了!但是为了明确哪些是numpy中实现的,哪些是scipy中实现的,本文还是进行了区分。以下默认已经:import
numpy as np 以及 impor scipy as sp
下面简要介绍Python和MATLAB处理数学问题的几个不同点。1.MATLAB的基本是矩阵,而numpy的基本类型是多为数组,把matrix看做是array的子类。2.MATLAB的索引从1开始,而numpy从0开始。
1.建立矩阵
a1=np.array([1,2,3],dtype=int) #建立一个一维数组,数据类型是int。也可以不指定数据类型,使用默认。几乎所有的数组建立函数都可以指定数据类型,即dtype的取值。
a2=np.array([[1,2,3],[2,3,4]]) #建立一个二维数组。此处和MATLAB的二维数组(矩阵)的建立有很大差别。
同样,numpy中也有很多内置的特殊矩阵:
b1=np.zeros((2,3)) #生成一个2行3列的全0矩阵。注意,参数是一个tuple:(2,3),所以有两个括号。完整的形式为:zeros(shape,dtype=)。相同的结构,有ones()建立全1矩阵。empty()建立一个空矩阵,使用内存中的随机值来填充这个矩阵。
b2=identity(n) #建立n*n的单位阵,这只能是一个方阵。
b3=eye(N,M=None,k=0) #建立一个对角线是1其余值为0的矩阵,用k指定对角线的位置。M默认None。
此外,numpy中还提供了几个like函数,即按照某一个已知的数组的规模(几行几列)建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like(),它们的参数均为如此形式:zeros_like(a,dtype=),其中,a是一个已知的数组。
c1=np.arange(2,3,0.1) #起点,终点,步长值。含起点值,不含终点值。
c2=np.linspace(1,4,10) #起点,终点,区间内点数。起点终点均包括在内。同理,有logspace()函数
d1=np.linalg.companion(a) #伴随矩阵
d2=np.linalg.triu()/tril() #作用同MATLAB中的同名函数
e1=np.random.rand(3,2) #产生一个3行2列的随机数组。同一空间下,有randn()/randint()等多个随机函数
fliplr()/flipud()/rot90() #功能类似MATLAB同名函数。
xx=np.roll(x,2) #roll()是循环移位函数。此调用表示向右循环移动2位。
2.数组的特征信息
先假设已经存在一个N维数组X了,那么可以得到X的一些属性,这些属性可以在输入X和一个.之后,按tab键查看提示。这里明显看到了Python面向对象的特征。
X.flags #数组的存储情况信息。
X.shape #结果是一个tuple,返回本数组的行数、列数、……
X.ndim #数组的维数,结果是一个数
X.size #数组中元素的数量
X.itemsize #数组中的数据项的所占内存空间大小
X.dtype #数据类型
X.T #如果X是矩阵,发挥的是X的转置矩阵
X.trace() #计算X的迹
np.linalg.det(a) #返回的是矩阵a的行列式
np.linalg.norm(a,ord=None) #计算矩阵a的范数
np.linalg.eig(a) #矩阵a的特征值和特征向量
np.linalg.cond(a,p=None) #矩阵a的条件数
np.linalg.inv(a) #矩阵a的逆矩阵
3.矩阵分解
常见的矩阵分解函数,numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法为了方便计算或者针对不同的特殊情况,还给出了多种调用形式,以便得到最佳结果。
4.矩阵运算
np.dot(a,b)用来计算数组的点积;vdot(a,b)专门计算矢量的点积,和dot()的区别在于对complex数据类型的处理不一样;innner(a,b)用来计算内积;outer(a,b)计算外积。
专门处理矩阵的数学函数在numpy的子包linalg中定义。比如np.linalg.logm(A)计算矩阵A的对数。可见,这个处理和MATLAB是类似的,使用一个m后缀表示是矩阵的运算。在这个空间内可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常规exp()对应有三种矩阵形式:expm()使用Pade近似算法、expm2()使用特征值分析算法、expm3()使用泰勒级数算法。在numpy中,也有一个计算矩阵的函数:funm(A,func)。
5.索引
numpy中的数组索引形式和Python是一致的。如:
x=np.arange(10)
print x[2] #单个元素,从前往后正向索引。注意下标是从0开始的。
print x[-2] #从后往前索引。最后一个元素的下标是-1
print x[2:5] #多个元素,左闭右开,默认步长值是1
print x[:-7] #多个元素,从后向前,制定了结束的位置,使用默认步长值
print x[1:7:2] #指定步长值
x.shape=(2,5) #x的shape属性被重新赋值,要求就是元素个数不变。2*5=10
print x[1,3] #二维数组索引单个元素,第2行第4列的那个元素
print x[0] #第一行所有的元素
y=np.arange(35).reshape(5,7) #reshape()函数用于改变数组的维度
print y[1:5:2,::2] #选择二维数组中的某些符合条件的元素
matlab
1.建立矩阵
MATLAB中,矩阵是默认的数据类型。它把向量看做1×N或者N×1的矩阵。
%建立了一个行向量,不同元素之间使用空格或者逗号分开都是可以的。
A=[1,2,3] 或者 A=[1 2 3]
%建立一个矩阵,使用分号隔开不同的行。
A=[1,2,3;4,5,6]
%那么,建立一个列向量就好办了。每行一个元素,分号分开即可。当然也可以使用行向量的转置(一个撇号表示转置)。
A=[1;2;3] 或者 A=[1,2,3]’
MATLAB内置了很多特殊的矩阵生成函数,建立特殊矩阵十分方便。
i)第一组用来生成特殊规则的矩阵。如全零、全一、随机、等步长等形式。
X=zeros(m,n) %生成一个m*n的全0矩阵。同理,ones(m,n)生成一个全1矩阵;eye(m,n)生成一个单位阵。它们的重要作用在于预先分配矩阵空间,所以,在预知矩阵规模但是不知道矩阵具体数据的情况下,先用这几个函数生成一个矩阵,对提高运算速度十分有用。
X=rand(m,n) %生成一个平均分布的随机矩阵,数值区间[0,1]。同理,randn(m,n)生成一个服从正态分布的随机矩阵。注意,这些所谓的随机实际上都是伪随机。
v=linspace(a,b,n) %产生线性空间矢量。a和b分别是起点和终点,n是本区间内的点数,默认100个点。同理,logspace(a,b,n)产生对数空间矢量。不过它默认点数是50个。
v=1:0.1:10 %产生一个线性的矢量。规格是---起点:步长值:终点
ii)第二组用来在原有矩阵基础上获得一个具有某些特征的矩阵。
X=diag(v,k)和v=diag(X,k) %前者用矢量v中的元素生成一个对角矩阵,k是对角移位因子,默认为0,即主对角。k>0,对角线右移。后者返回矩阵X的对角元素,存在矢量v中。k的意义相同。
X1=triu(X,k)和X1=tril(X,k) %分别产生矩阵X的上三角矩阵和下三角矩阵。
fliplr(X)/flipud(X)/rot90(X)
%这都是对矩阵的翻转操作,获得新的矩阵。分别是左右翻转(left-right)、上下翻转(up-down)和逆时针旋转90°操作。
iii)第三组用来生成一些具有理论价值的,往往是以数学家命名的矩阵。
magic(n)生成行列相加均为同一个数字的方阵。pascal(n)生成帕斯卡尔矩阵。hilb(n)生成希尔伯特矩阵。vander(v)生成范德蒙德矩阵。等等。
这些矩阵一般都有相应的学术背景,用到的时候,可以用命令help
elmat在最后一个栏目中看看有没有自己要找的特殊矩阵,如果有,点进去进一步研究即可。
2.矩阵的特征信息
size(X) %获得矩阵X的行、列数。比如,X是一个3*5的矩阵,p=size(X)返回p=[3
5]
length() %对于矢量,返回的是矢量的长度;对数组,返回的是数组最长的那一个维度的长度。
ndims() %相当于length(size(x))。
numel() %数组中元素的个数。
isempty()和isequal()等is*型函数 %测试矩阵是否满足某些条件
[V,D] = eig(A) %矩阵A的特征值D和特征向量V。
k = rank(A) %矩阵A的秩
b = trace(A) %矩阵A的迹,即对角线元素之和
d = det(X) %方阵A的行列式
Y = inv(X) %矩阵X的逆矩阵
n = norm(X,option) %矩阵或者向量的范数,具体使用用到再说
c = cond(X) %矩阵X的条件数
3.矩阵分解
矩阵分解是矩阵论的重要内容。常用的分解形式在MATLAB中都有函数予以实现,并且有些分解考虑了多种情况。常见的如:eig()、qr()、schur()、svd()、chol()、lu()等。具体使用的时候
4.矩阵运算
MATLAB默认的是矩阵运算,所以如果想要按元素依次计算,在原来运算符前加一个.号。比如.*表示按元素相乘。
每一个运算符都有一个对应的函数。如:
A+B=plus(A,B)、A-B=minus(A,B)
A*B=mtimes(A,B)、A.*B=times(A,B)
A/B=mrdivide(A,B)、A./B=rdivide(A,B)、A\B=mldivide(A,B)、A.\B=ldivide(A,B)
A^B=mpower(A,B)、A.^B=power(A,B)
A'=ctranspose(A)、A.'=transpose(A)
其中的前缀m自然是表示matrix的意思。没有m前缀的就是按元素进行的意思。最后那个转置操作,c前缀表示的是按照复数操作进行转置。
此外,还有一些比较常用的运算:
C=cross(A,B) %矢量叉乘。类似的,C=dot(A,B) 是矢量点乘
B = prod(A,dim) %数组元素的乘积,默认按列计算。dim=1是列,dim=2是按行。这个概念很重要!!
类似的,B = sum(A,dim) 求数组元素的和。dim意义和以上同。
expm() %矩阵指数运算。与此类似的logm(),
sqrtm()。其中,funm(A,fun)用来计算矩阵A对通用函数fun的函数值。
5.矩阵索引
选择使用矩阵中的某些元素,就是所谓的矩阵索引了。
A(:,j) %选取矩阵A的所有行,第j列,同理,A(i,:)是第i行,所有列
A(:,j:k) %所有行,第j列至第k列(起点和终点均含)