大家点个赞吧!!!
下列所陈述的并非全都是矩阵操作,也可以是数组列表。
1、数组/矩阵的维数:
sth.ndim
2、数组/矩阵的形状:
sth.shape
3、数组/矩阵的尺寸:
sth.size
4、生成多少个数:
b=np.arange(4) #生成0,1,2,3
5、判断矩阵中的元素是否小于某个值:
print(b<3)
6、改变矩阵的形状:
sth.reshape((2,2)) #变为2X2矩阵
7、两个矩阵相乘:
np.dot(a,b) 、a.dot(b)
8、生成某个形状的随机矩阵:
np.random.random((2,4))
np.sum(a) # 4.4043622002745959
np.min(a) # 0.23651223533671784
np.max(a) # 0.90438450240606416
9、对行或者列进行查找运算,当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。
np.sum(a,axis=1)
np.min(a,axis=0)
np.max(a,axis=1)
10、求矩阵中最小元素和最大元素的索引:
print(np.argmin(A)) # 0
print(np.argmax(A)) # 11
11、统计中的均值:
print(np.cumsum(A)) #后一个函数为前一堆函数之和
print(np.diff(A)) #累差运算函数,每一行中后一项与前一项之差
12、累加函数:
print(np.cumsum(A)) #后一个函数为前一堆函数之和
print(np.diff(A)) #累差运算函数,每一行中后一项与前一项之差
13、生成逆序矩阵
A = np.arange(14,2, -1).reshape((3,4))
print(np.sort(A)) #排序A中的元素,按照行排序,从大到小
14、矩阵的转置有两种:
print(np.transpose(A))
print(A.T)
15、筛选矩阵某个范围内的值:
print(np.clip(A,5,9))
16、一维和二维索引:
import numpy as np
A = np.arange(3,15)
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
print(A[3]) # 6 一维输出
A = np.arange(3,15).reshape((3,4)) #将一维换为二维的三行四列
print(A[1][1]) # 8
print(A[1, 1]) # 8
print(A[1, 1:3]) # [8 9]
17、将得到的矩阵逐行逐列输出:
for row in A: #逐行输出
for column in A: #逐列输出A矩阵
18、利用flatten()函数输出矩阵:将矩阵每个元素一个一个输出
mport numpy as np
A = np.arange(3,15).reshape((3,4))
print(A.flatten())
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
for item in A.flat:
print(item)
# 3
# 4
……
# 14
19、合并两个数组
#上下合并 np.vstack
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
print(np.vstack((A,B))) # vertical stack
"""
[[1,1,1]
[2,2,2]]
"""
#左右合并 np.hstack()
D = np.hstack((A,B)) # horizontal stack
print(D)
# [1,1,1,2,2,2]
print(A.shape,D.shape)
# (3,) (6,)
np.newaxis()
20、将数组转置的函数 np.newaxis()
print(A[np.newaxis,:])
# [[1 1 1]]
print(A[np.newaxis,:].shape)
# (1,3)
print(A[:,np.newaxis])
"""
[[1]
[1]
[1]]
"""
print(A[:,np.newaxis].shape)
# (3,1)
#综合知识
import numpy as np
A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis]
C = np.vstack((A,B)) # vertical stack
D = np.hstack((A,B)) # horizontal stack
print(D)
"""
[[1 2]
[1 2]
[1 2]]
"""
print(A.shape,D.shape)
# (3,1) (3,2)
21、np.concatenate()
C = np.concatenate((A,B,B,A),axis=0)
print(C)
"""
array([[1],
[1],
[1],
[2],
[2],
[2],
[2],
[2],
[2],
[1],
[1],
[1]])
"""
D = np.concatenate((A,B,B,A),axis=1)
print(D)
"""
array([[1, 2, 2, 1],
[1, 2, 2, 1],
[1, 2, 2, 1]])
"""