Numpy终极总结02-二维运算

列表变换

a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))
print(a)
print(b)
>>>[[1 1]
>>>[0 1]]
>>>[[0 1]
>>>[2 3]]

乘法运算-矩阵的两种乘法

• 一个是原位相乘
• 一个是对应行×列求和

a=[[1 1]
   [0 1]]
	 
b=[[0 1]
   [2 3]]
	 
c=a*b
d=np.dot(a,b)
print(c)
>>>[[0 1]
    [0 3]]
		
print(d)
>>>[[2 4]
    [2 3]]

d2= a.dot(b) #a dot b的第二种形式
print(d2)
>>>[[2 4]
	  [2 3]]

求矩阵中最大最小值

print(np.sum(a))   # 4.4043622002745959
print(np.min(a) )  # 0.23651223533671784
print(np.max(a) )  # 0.90438450240606416

换方向求大小or求矩阵和

如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。
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。
这块挺乱哈

print("a =",a)

print("sum =",np.sum(a,axis=1)) #按行求和
print('sum =',np.sum(a))        #所有元素和
print("min =",np.min(a,axis=0)) #按列求最小
print("max =",np.max(a,axis=1)) #按行求最大

定位最大最小位置

argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。相应的，在矩阵的12个元素中，最小值即2，对应索引0，最大值为13，对应索引为11。

A = np.arange(2,14).reshape((3,4)) 
B = np.array([[2,3,4],[1,1,1],[8,9,55]])
print(A)

print('')
         
print(np.argmin(A))    # 0  个位置
print(np.argmax(A))    # 11 个位置
>>>[[ 2  3  4  5]
>>> [ 6  7  8  9]
>>> [10 11 12 13]]

>>>0
>>>11

均值求法

如果需要计算统计中的均值，可以利用下面的方式，将整个矩阵的均值求出来：

A = np.arange(3,15).reshape((3,4)) 
print(np.mean(A))        # 8.5
print(np.average(A))     # 8.5
print(A.mean())          # 8.5
>>>8.5