【整理】Python学习笔记1.5

第五章 NumPy数值计算

 
     NumPy是最著名的Python库之一。NumPy提供了两种基本的对象：ndarray 和 ufunc。（终于开始了快乐的Python库学习之旅）

内容太多，故只摘记一些点在这里，但学懂了第四章，去应用方法就好

 
 

NumPy官网

关于ndarray

 

创建与索引

NumPy提供了多种创建ndarray的方式，其中array函数可以创建一维或多维ndarray，其基本语法格式如下：

numpy.array(object, dtype = None, copy = True, order = ‘k’, subok = False, ndmin = 0)

参数	说明
object	接收array、list、tuple等，表示用于创建ndarray的数据，无默认值。
dtype	接收data-type,表示创建的ndarray的数据类型。如果未给定，那么选择保存对象所需的最小字节数的字节类型。无默认值。
ndmin	接收Int，指定生成ndarray应该具有的最小维数。默认为0。

特殊的创建函数

特殊的创建函数	说明
arange	创建等差数列（指定开始值、终值和步长）
linspace	创建等差数列（指定开始值、终值和元素个数）
logspace	创建等比数列
zeros	创建值全为0的矩阵
eye	创建单位矩阵（对角线元素为1，其余为0）
diag	创建对焦矩阵（对角线元素为指定值，其余为0）
ones	创建值全部为1的矩阵

也可采用相应函数如reshape、ravel等，实现对ndarry数组的索引，形状变换，组合和分割等。（具体内容可使用时自行查阅，略）
 
 

关于ufunc

ufunc，全称通用函数（universal function），是一种能够对ndarray中所有元素进行操作的函数。因此，ndarray能够运用向量化运算来处理整个数组，而完成同样的任务，Python的列表则通常需要借助循环语句遍历列表，并对逐个元素进行相应的处理。

常用的ufunc运算有算术运算、三角函数、集合函数、比较运算、逻辑运算和统计计算等。

在实际的数据分析人物中，更多使用文本格式的数据，如txt或csv，因此经常使用loadtxt函数执行对文本格式的数据的读取任务。savetxt函数是将ndarray写到由某种分隔符隔开的文本文件中。

numpy.linalg模块提供的常用的线性运算功能。
 
 

第五章课后题概述

课后题概述

1. BC
   NumPy提供了两种基本的对象：ndarray和ufunc。其中，ndarray（N-dimensional Array Object）是一个具有矢量算术运算和复杂广播能力的、快速且节省空间的多维数组。ufunc（Universal Function Object）则提供了对ndarray进行快速运算和复杂广播能力

2. D
   常用的ndarray属性主要有维数、尺寸、元素总数、数据类型、每个元素的存储字节数等，分别用ndim、shape、size、dtype和itemsize来表示。

3. C
   np.arange(0,9).reshape(3,3)的结果为
   [[0 1 2]
   [3 4 5]
   [6 7 8]]
   np.eye(3)的结果为
   [[1 0 0]
   [0 1 0]
   [0 0 1]]
   np.random.random([3,3,3])应改为np.random.random([3,3]),才会产生一个3×3的随机数值矩阵
   np.mat(“1 2 3; 4 5 6; 7 8 9”)的结果为
   [[ 1 2 3]
   [4 5 6]
   [7 8 9]
   具体展示如下：
   

4. D
   逐项解释一下。NumPy中常用排序函数有sort、argsort和lexsort，其中sort属直接排序，argsort和lexsort属于间接排序。故ABC均属于排序函数，只有D是提取函数。

5. C
   借助ufunc，ndarry能够运用向量化运算来处理整个数组，而完成同样的任务，Python的列表则通常需要借助循环语句遍历列表，并对逐个元素进行相应的处理。因此效率更高。

6. ABCD
   ufunc广播的4个原则是：
   1） 让所有输入ndarray都向其中shape最长的ndarray看齐，shape中不足的部分都通过在前面加1补齐。
   2） 输出ndarray的shape是输入ndarray shape的各个轴上的最大值。
   3） 输入ndarray的某个轴和输出ndarray的对应轴的长度相同或其长度为1时，这个ndarray能够用于计算，否则出错。
   4） 当输入ndarray的某个轴的长度为1，且沿着此轴运算时，都用此轴上的第一组值。

7. 填空题
   (1)reshape函数在改变ndarray的形状的同时不改变原始数据的值。
   (2)在NumPy中直接排序经常使用sort函数，间接排序经常使用argsort函数和lexsort函数。
   *直接排序指对数值直接进行排序；间接排序指根据一个或多个键值对数据集进行排序。
   (3)广播（Broadcasting）是指不同形状的ndarray之间执行算术运算的方式。
   *当进行ndarray计算时，ufunc会对两个数据的每个对应元素进行计算，执行这种计算方式的前提是两个ndarray的shape大小一致。若两个ndarray的shape不一致，Numpy则会实行广播机制。
   (4)argsort函数可以返回集合中的唯一元素并排序

8. 生成范围在0~1之间，服从均匀分布的10行5列的ndarray。

import numpy as np
print('rand函数生成的服从均匀分布的随机数ndarray为：\n', np.random.rand(10, 5))

rand函数生成的服从均匀分布的随机数ndarray为：
 [[0.53470725 0.83219815 0.82950181 0.29835395 0.87077822]
 [0.72346779 0.98923055 0.39596073 0.66288948 0.9117126 ]
 [0.59255231 0.40580931 0.93153048 0.07059021 0.02105296]
 [0.59124075 0.16790755 0.78345497 0.14842275 0.09439926]
 [0.26743091 0.99961359 0.32414099 0.31877465 0.90340814]
 [0.15710332 0.0123013  0.9728615  0.85520103 0.79700842]
 [0.30682381 0.69617665 0.77889846 0.61151817 0.96931321]
 [0.94790973 0.289788   0.89968492 0.33548125 0.57415498]
 [0.47943747 0.5394681  0.70409507 0.69844242 0.07203066]
 [0.01936026 0.02759766 0.23318908 0.89592223 0.20423337]]

9. 计算2×2矩阵的乘积。

import numpy as np
arr1= np.matrix([[1,2],[12,12]])
arr2= np.matrix([[84,67],[678,56]])
print('矩阵乘积的结果为：\n',arr1*arr2)

矩阵乘积的结果为：
 [[1440  179]
 [9144 1476]]

10. 求矩阵的特征值和特征向量

import numpy as np
A= np.matrix([[3,-1],[-1,3]])
eigenvalue,featurevector = np.linalg.eig(A)
print('特征值为:',eigenvalue,'\n特征向量为:\n',featurevector)

特征值为: [4. 2.] 
特征向量为:
 [[ 0.70710678  0.70710678]
 [-0.70710678  0.70710678]]

11. 对矩阵进行奇异分解

import numpy as np
A= np.matrix([[4,11,14],[8,7,-2]])
U, D,Vt=np.linalg.svd(A)
print('U:\n',U,'\nD为:\n',D,'\nVt为:\n',Vt)

U:
 [[-0.9486833  -0.31622777]
 [-0.31622777  0.9486833 ]] 
D为:
 [18.97366596  9.48683298] 
Vt为:
 [[-0.33333333 -0.66666667 -0.66666667]
 [ 0.66666667  0.33333333 -0.66666667]
 [-0.66666667  0.66666667 -0.33333333]]

12. 行列式计算

import numpy as np
D=np.array([[4,6,8],[4,6,9],[5,6,8]])
print('D计算结果为:',np.linalg.det(D),"\nD'计算结果为:",np.linalg.det(D.T))

D计算结果为: 5.999999999999996 
D'计算结果为: 6.0

     注：代码除部分经本人修改外，主要来自 机械工业出版社的《Python3智能数据分析快速入门》 的配套资料。