1. 生成二维数组(矩阵)
1.1 生成并查看形状
import numpy as np
A = np.array([[1, 2], [3, 4]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
print(A.shape) # 输出矩阵的维数
print(A.dtype) # 输出矩阵元素的数据类型
print(A) # 直接打印矩阵
1.2 进行矩阵的简单运算
简单的线性运算
A = np.array([[1, 2], [3, 4]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
B = np.array([[5, 6], [7, 8]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
# 矩阵加法
print(A+B)
print(A-B)
print(A*B)
print(A/B)
矩阵的乘法只是对应位置元素相乘而已
数乘运算也可以实现
- 我们称之为广播
2. 广播
2.1 概念
广播运算的时候标量10倍当做2x2的矩阵来计算
2.2 访问矩阵中的元素
A = np.array([[1, 2], [3, 4],[5,6]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
# print(A.shape) # 3行2列的矩阵而已
print(A[1])
print(A[1][1])
玩的花一点
A = np.array([[1, 2], [3, 4], [5, 6]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
# print(A.shape) # 3行2列的矩阵而已
for row in A:
print(row)
A = A.flatten() # 将矩阵一维化
print(A) # 一维化的向量打印出来
print(A[np.array([0,2,4])]) # 通过制定数组的索引来获取元素
2.3 通过标记法获得满足一定条件的数据
A = np.array([[1, 2], [3, 4], [5, 6]]) # 必须这样定义矩阵,单独定义两个一维数组是没有意义的,不知道是几维的
print(A>2)
print(A[A>2])
[False False True True True True]
[3 4 5 6]
3. 一些概念
3.1 不同维数数组的常用称呼
- 一维数组【向量】
- 二维数组【矩阵】
- 三维以上的数组【张量/多维数组】