矩阵转换|python学习笔记（新手小白友好版）

python引入numpy模块后，可以定义矩阵形数组（已下简称“矩阵”），读取矩阵行列数，改变矩阵行列数，甚至改变矩阵中数据的类型。

【1】读取矩阵的维数：ndim

先使用array模块，分别定义一维和二维矩阵，再用ndim获取矩阵维数。

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
c=np.array([[1,2,3],[4,5,6],[7,8,9]]) #使用array定义二维数组
d=a.ndim
e=b.ndim
f=c.ndim
print("矩阵a的维数是:",d) #输出矩阵a的维数
print("矩阵b的维数是:",e) #输出矩阵b的维数
print("矩阵c的维数是:",f) #输出矩阵c的维数

上述代码执行过程中，ndim模块准确获取了矩阵a、b和c的维数。

可以从字面意思进一步理解ndim，它是n-Dimention的缩写，也即理论上可以无限输出“维数”。

进一步输出矩阵a、b和c，输入以下代码：

print("矩阵a:",a) #输出矩阵a
print("矩阵b:",b) #输出矩阵b
print("矩阵c:",c) #输出矩阵c

输出结果为：

可见：ndim仅仅是读取了矩阵的维数，对矩阵本身不会做任何改变。

ndim相关完整代码如下：

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
c=np.array([[1,2,3],[4,5,6],[7,8,9]]) #使用array定义二维数组
d=a.ndim
e=b.ndim
f=c.ndim
print("矩阵a的维数是:",d) #输出矩阵a的维数
print("矩阵b的维数是:",e) #输出矩阵b的维数
print("矩阵c的维数是:",f) #输出矩阵c的维数
print("矩阵a:",a) #输出矩阵a
print("矩阵b:",b) #输出矩阵b
print("矩阵c:",c) #输出矩阵c

【2】读取矩阵的行列数：shape

大多时候，我们直接跨过矩阵的维数，重点关注矩阵的行列数。

使用shape模块，可以获取矩阵的行列数。

先尝试使用shape获取矩阵的行列数：

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
c=np.array([[1,2,3],[4,5,6],[7,8,9]]) #使用array定义二维数组
d=a.shape
e=b.shape
f=c.shape
print("矩阵a的行列数是:",d) #输出矩阵a的行列数
print("矩阵b的行列数是:",e) #输出矩阵b的行列数
print("矩阵c的行列数是:",f) #输出矩阵c的行列数
print("矩阵a:",a) #输出矩阵a
print("矩阵b:",b) #输出矩阵b
print("矩阵c:",c) #输出矩阵c

输出结果为：

可见：

【a】shape对一维array矩阵的行列数读取结果并不完整，输出结果是(3,），出现了未知数；

【b】shape对矩阵本身不会做任何改变。

前述文章已经初步发现：array和matrix定义的矩阵形数组至少在乘法计算上有所不同，因此此处增加matrix定义矩阵行列数的读取测试，先输入以下代码：

a1=np.matrix([1,2,3]) #使用matrix定义一维数组
b1=np.matrix([[1,2,3],[4,5,6]]) #使用matrix定义二维数组
c1=np.matrix([[1,2,3],[4,5,6],[7,8,9]]) #使用matrix定义二维数组
d1=a1.shape
e1=b1.shape
f1=c1.shape
print("矩阵a1的行列数是:",d1) #输出矩阵a1的行列数
print("矩阵b1的行列数是:",e1) #输出矩阵b1的行列数
print("矩阵c1的行列数是:",f1) #输出矩阵c1的行列数

输出结果为：

可见：

【a】shape仅仅是读取了matrix矩阵的行列数，对于一维矩阵a，1行3列，正常输出；

【b】shape对矩阵本身不会做任何改变。

【c】对比发现，shape模块对于array矩阵，一维数组矩阵实际上输出了列数，多维数组矩阵则是按照一个“[ ]”代表一行输出结果；shape模块对于matrix矩阵，一维数组矩阵和多维数组矩阵都按照是一个“[ ]”代表一行输出结果。

shape相关完整代码如下：

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
c=np.array([[1,2,3],[4,5,6],[7,8,9]]) #使用array定义二维数组
d=a.shape
e=b.shape
f=c.shape
print("矩阵a的行列数是:",d) #输出矩阵a的行列数
print("矩阵b的行列数是:",e) #输出矩阵b的行列数
print("矩阵c的行列数是:",f) #输出矩阵c的行列数
print("矩阵a:",a) #输出矩阵a
print("矩阵b:",b) #输出矩阵b
print("矩阵c:",c) #输出矩阵c
a1=np.matrix([1,2,3]) #使用matrix定义一维数组
b1=np.matrix([[1,2,3],[4,5,6]]) #使用matrix定义二维数组
c1=np.matrix([[1,2,3],[4,5,6],[7,8,9]]) #使用matrix定义二维数组
d1=a1.shape
e1=b1.shape
f1=c1.shape
print("矩阵a1的行列数是:",d1) #输出矩阵a1的行列数
print("矩阵b1的行列数是:",e1) #输出矩阵b1的行列数
print("矩阵c1的行列数是:",f1) #输出矩阵c1的行列数

【3】改变矩阵的行列数：shape

前述内容讨论了shape读取array和matrix矩阵的行列数，此处尝试强行修改矩阵的行列数。

在pycharm中输入以下代码：

#引入numpy模块
import numpy as np
a=np.array([[1,2,3],[4,5,6]]) #使用array定义一维数组
a1=a.shape #读取矩阵a的行列数
print('矩阵a的行列数是：',a1) #输出矩阵a
a.shape=(3,2) #修改矩阵a的行列数
print('行列数修改后的矩阵a=\n',a) #输出a,\n用于换行

输出结果为：

可见，矩阵a在shape模块的作用下成功实现了行列转换。

【4】改变矩阵的行列数：reshape

numpy还提供了一个直接修改矩阵行列数的reshape模块。

在pycharm中输入以下代码：

#引入numpy模块
import numpy as np
a=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
a1=a.shape #读取矩阵a的行列数
print('矩阵a的行列数是：',a1)
b=a.reshape(3,2) #转换矩阵a的行列数
print('矩阵b=',b)
b1=b.shape #读取矩阵b的行列数
print('矩阵b的行列数是：',b1)
c=np.matrix('1,2,3;4,5,6') #使用matrix定义二维数组
c1=c.shape #读取矩阵c的行列数
print('矩阵c的行列数是：',c1)
d=c.reshape(3,2) #转换矩阵c的行列数
print('矩阵b=',b)
d1=d.shape #读取矩阵d的行列数
print('矩阵d的行列数是：',d1)

输出结果为：

如图所示，array和matrix定义矩阵在shape模块的作用下均成功实现了行列转换。

【5】array和matrix一维矩阵形数组属性分析

前述内容已经发现，读取行列数时，array和matrix一维矩阵形数组会出现不一样的结果，此处对此进行专项测试。

【5.1】ndim维数分析

输入以下代码：

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.matrix([1,2,3]) #使用matrix定义一维数组
print('array定义一维数组a=',a) #输出array定义一维数组
print('matrix定义一维数组b=',b) #输出matrix定义一维数组
c=a.ndim #获取矩阵a的维数
d=b.ndim #获取矩阵b的维数
print('array定义一维数组a的维数是：',c) #输出array定义一维数组的维数
print('matrix定义一维数组b的维数是：',d) #输出matrix定义一维数组的维数

输出结果为;

可见，array按照常规对数组的理解，维数输出结果为1，matrix按照矩阵对数组的规定，维数输出结果为2。

【5.2】shape行列数分析

输入以下代码：

#引入numpy模块
import numpy as np
a=np.array([1,2,3]) #使用array定义一维数组
b=np.matrix([1,2,3]) #使用matrix定义一维数组
print('array定义一维数组a=',a) #输出array定义一维数组
print('matrix定义一维数组b=',b) #输出matrix定义一维数组
c=a.shape #获取矩阵a的行列数
d=b.shape #获取矩阵b的行列数
print('array定义一维数组a的行列数是：',c) #输出array定义一维数组的行列数
print('matrix定义一维数组b的行列数是：',d) #输出matrix定义一维数组的行列数
a.shape=(3,1) #转换矩阵a的行列数
b.shape=(3,1) #转换矩阵b的行列数
print('行列数修改后的矩阵\na=\n',a) #输出a，/n用于换行
print('行列数修改后的矩阵\nb=\n',b) #输出b，/n用于换行

输出结果为：

该结果表明，行列数更改操作的结果，array一维矩阵形数组和matrix一维矩阵形数组完全一致。

因此，

array定义一维数组a的行列数是： (3,)

这个输出结果没有报错，但是肯定存在问题。

【5.3】array一维矩阵形数组定义

基于5.2节分析，尝试修改array以为矩阵形数组定义方式。

基本思路：既往实例已经证明，n行m列的array和matrix数组输出结果一致。因此，追溯一维矩阵形数组和n行m列数组定义方式不同，可能有助于解决该问题。

步骤：

【a】尝试对比n行m列的array和matrix数组定义和输出结果；

【b】比对修改单行即一维矩阵形array和matrix数组定义代码。

在pycharm输入以下代码：

import numpy as np #引入numpy模块
a=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
b=np.matrix('1,2,3;4,5,6') #使用matrix定义二维数组
print('array定义一维数组\na=\n',a)
print('array定义一维数组\nb=\n',b)

输出结果一致：

综合上图，array和matrix计算结果一致。

结合文章到此所述所有程序，会发现一个共同点：矩阵是以方框“[ ]”为标志进行定义的，所有2x3的矩阵形数组都是“[ [ ], [ ] ]”的形式，可统称为一个大方框[ ]内嵌两个小[ ] 。

至此，步骤[a]执行完毕，开启执行步骤[b]。

据上述发现，考虑将一维矩阵形数组写作[ [ ] ]，即两个方框嵌套的形式：

import numpy as np #引入numpy模块
a=np.array([[1,2,3],[4,5,6]]) #使用array定义二维数组
b=np.matrix('1,2,3;4,5,6') #使用matrix定义二维数组
print('array定义二维数组\na=\n',a)
print('array定义二维数组\nb=\n',b)
c=np.array([1,2,3]) #使用array定义一维数组
d=np.array([[1,2,3]]) #使用array定义一维数组
e=c.shape
f=d.shape
print('array模块使用单个方框[ ]定义一维矩阵形数组的行列数是：',e)
print('array模块使用嵌套方框[ ]定义一维矩阵形数组的行列数是：',f)
g=np.matrix('1,2,3') #使用matrix定义一维数组
h=g.shape
print('matrix模块定义一维矩阵形数组的行列数是：',h)

输出结果如图：

可见，array模块使用两个方框嵌套的形式定义一维矩阵形数组时，shape模块读取的矩阵行列数与matrix模块定义矩阵行列数相等。

因此，在使用array模块定义一维矩阵形数组时，如有需要，应用两层[ ]彼此嵌套，完成定义。

【6】结语

本次内容先后学习了：

【a】使用ndim模块读取矩阵维数；

【b】使用shape模块读取矩阵行列数；

【c】使用shape模块修改矩阵行列数；

【d】使用reshape模块修改矩阵行列数；

【e】发现使用两层方框嵌套，即写成“[  [ ] ]”的形式可使array定义的一维矩阵形数组行列数，和用matrxi定义的一维矩阵形数数组，使用shape模块读取的行列数一致。