python矩阵行秩函数_基础|Numpy常用知识点汇总

作者：J哥

来源：菜J学Python

本文目录定义

数组类型基本类型

类型转换In:j = np.arange(3)  

print(j)

print('查看数据类型：\n',j.dtype)

print('-'*20)

g = j.astype('float') #转换为float类型

print('查看转换后类型：\n',g.dtype)Out:[0 1 2]

查看数据类型：

int64

--------------------

查看转换后类型：

float64数组操作创建数组In:#方法一、将列表或元组传入np.array()来创建

print(np.array([1,2,3]))

#方法二、初始化数组的值,只需传入元素个数即可

print(np.ones(3))

print(np.zeros(3))

print(np.random.random(3))Out:[1 2 3]

[1. 1. 1.]

[0. 0. 0.]

[0.71318806 0.95903425 0.75384478]数组运算In:#首先创建两个数组

data1 = np.array([1,2])

data2 = np.ones(2)

print(data1,data2)Out:[1 2] [1. 1.]In:#数组间加减乘除

jia = data1+data2

jian = data1-data2

cheng = data1*data2

chu = data1/data2

#数组与单个数值的操作

shuzhi1 = data1*100

shuzhi2 = data1/100

print(jia,jian,cheng,chu,shuzhi1,shuzhi2)Out:[2. 3.] [0. 1.] [1. 2.] [1. 2.] [100 200] [0.01 0.02]数组切片In:#类似列表操作进行索引和切片

data3 = np.array([1,2,3,4,5])

print(data3)

print(data3[0])

print(data3[2:4])

print(data3[2:])

print(data3[:4])Out:[1 2 3 4 5]

1

[3 4]

[3 4 5]

[1 2 3 4]聚合函数In:data4 = np.array([1,2,3,4,5])

print(data4.max()) #最大值

print(data4.min()) #最小值

print(data4.mean()) #均值

print(data4.sum()) #求和

print(data4.std()) #标准差Out:5

1

3.0

15

1.4142135623730951矩阵操作创建矩阵In:#方法一、通过将二维列表传给Numpy来创建矩阵

print(np.array([[1,2],[3,4]]))

#方法二、传入一个元组来描述矩阵的维度

print(np.ones((3,2))) #3行2列矩阵

print(np.zeros((3,2)))

print(np.random.random((3,2)))Out:[[1 2]

[3 4]]

[[1. 1.]

[1. 1.]

[1. 1.]]

[[0. 0.]

[0. 0.]

[0. 0.]]

[[0.2928769  0.24093443]

[0.06189287 0.62359846]

[0.80539105 0.81706549]]矩阵运算In:#相同大小矩阵的加减乘除

data5 = np.array([[1,2],[3,4]])

data6 = np.ones((2,2))

jia1 = data5 + data6

cheng1 = data5 * data6

print(jia1,'\n',cheng1)Out:[[2. 3.]

[4. 5.]]

[[1. 2.]

[3. 4.]]In:#不同大小矩阵的加减乘除(仅两个矩阵秩数为1时)

data7 = np.array([[1,2],[3,4],[5,6]])

data8_1 = np.ones((1,2)) #行秩为1

data8_2 = np.ones((3,1)) #列秩为1

print(data7 + data8_1)

print('-'*20)

print(data7 + data8_2)Out:[[2. 3.]

[4. 5.]

[6. 7.]]

--------------------

[[2. 3.]

[4. 5.]

[6. 7.]]In:#矩阵乘法，dot()方法

data9 = np.array([[1,2,3]]) #1*3的矩阵

data10 = np.array([[1,2],[3,4],[5,6]]) #3*2的矩阵

data11 = data9.dot(data10) #1*2的矩阵

print(data11)Out:[[22 28]]矩阵切片和聚合In:#可以在不同维度上使用索引操作来对数据进行切片

data12 = np.array([[1,2],[3,4],[5,6]])

print(data12)

print(data12[0,1]) #1行2列数据

print(data12[1:3]) #2-3行

print(data12[0:2,0]) #1-2行，1列Out:[[1 2]

[3 4]

[5 6]]

2

[[3 4]

[5 6]]

[1 3]In:#可以像聚合向量一样聚合矩阵

print(data12.max())

print(data12.min())

print(data12.sum())

print(data12.mean())

print(data12.std())

#还可以使用axis参数指定行和列的聚合

print(data12.max(axis = 0)) #纵向执行

print(data12.max(axis = 1)) #横向执行Out:6

1

21

3.5

1.707825127659933

[5 6]

[2 4 6]矩阵转置和重构In:#NumPy数组的属性T可用于获取矩阵的转置

print('转置前：\n',data12)

print('转置后：\n',data12.T)Out:转置前：

[[1 2]

[3 4]

[5 6]]

转置后：

[[1 3 5]

[2 4 6]]

In:#在较为复杂的用例中，可能需要使用NumPy的reshape()方法改变某个矩阵的维度

data13 = np.array([1,2,3,4,5,6])

print('重构前：\n',data13)

print('重构后：\n',data13.reshape(2,3))

print('重构后：\n',data13.reshape(3,2))

Out:重构前：

[1 2 3 4 5 6]

重构后：

[[1 2 3]

[4 5 6]]

重构后：

[[1 2]

[3 4]

[5 6]]

In:#上文中的所有功能都适用于多维数据,其中心数据结构称为ndarray(N维数组)

data14 = np.array([[[1,2],[3,4]],[[5,6],[7,8]]])

print(data14)

print('-'*20)

#改变维度只需在NumPy函数的参数中添加一个逗号和维度

print(np.ones((4,3,2)))

print('-'*20)

print(np.zeros((4,3,2)))

print('-'*20)

print(np.random.random((4,3,2)))

Out:[[[1 2]

[3 4]]

[[5 6]

[7 8]]]

--------------------

[[[1. 1.]

[1. 1.]

[1. 1.]]

[[1. 1.]

[1. 1.]

[1. 1.]]

[[1. 1.]

[1. 1.]

[1. 1.]]

[[1. 1.]

[1. 1.]

[1. 1.]]]

--------------------

[[[0. 0.]

[0. 0.]

[0. 0.]]

[[0. 0.]

[0. 0.]

[0. 0.]]

[[0. 0.]

[0. 0.]

[0. 0.]]

[[0. 0.]

[0. 0.]

[0. 0.]]]

--------------------

[[[0.37593802 0.42651876]

[0.74639264 0.19783467]

[0.787414   0.63820259]]

[[0.84871262 0.46467497]

[0.54633954 0.4376995 ]

[0.71988166 0.9306682 ]]

[[0.6384108  0.74196991]

[0.73857164 0.38450555]

[0.68579442 0.64018511]]

[[0.60382775 0.35889667]

[0.8625612  0.86523028]

[0.83701853 0.08289658]]]公式应用

In:#在NumPy中可以很容易地实现均方误差。

np_1 = np.ones(3)

np_2 = np.array([1,2,3])

error = (1/3) * np.sum(np.square(np_1 - np_2))

print(error)

Out:1.6666666666666665表示日常数据电子表格和数据表

音频和时间序列

图像

黑白图像

彩色图像