numpy常见运算
指数运算np.exp()
np.exp(x)会创建一个新的对象， np.exp(x,x)会将结果赋给x不会创建新的对象
exp = np.array([3.0, 5.0])
# 会将指数运算e^3.0, e^5.0 的结果赋给exp,
exp = np.array([3.0, 5.0])
print 'exp', id(exp)
exp1 = np.exp(exp)
print 'exp1', id(exp1),exp1
np.exp(exp, exp)
print 'exp', id(exp), exp倒数运算np.reciprocal(),用法同np.exp
矩阵升一维
np.expand_dims(rows, axis=0)等价与rows[np.newaxis,:]，
np.newaxis也可以用None替代rows = np.array([[0, 3, 5],[10, 13, 15]], dtype=np.intp)
print rows.shape(2, 3)axis0 = np.expand_dims(rows, axis=0)
print axis0
print axis0.shape[[[ 0 3 5]
[10 13 15]]]
(1, 2, 3)row = rows[np.newaxis,:]
print row,row.shape
print rows.shape[[[ 0 3 5]
[10 13 15]]]
(1, 2, 3)axis1 = np.expand_dims(rows, axis=1)
print axis1,axis1.shape
row = rows[:,np.newaxis,]
print row,row.shape[[[ 0 3 5]]
[[10 13 15]]] (2, 1, 3)
[[[ 0 3 5]]
[[10 13 15]]] (2, 1, 3)axis1 = np.expand_dims(rows, axis=2)
print axis1,axis1.shape
row = rows[:,:,np.newaxis,]
print row,row.shape[[[ 0]
[ 3]
[ 5]]
[[10]
[13]
[15]]] (2, 3, 1)
[[[ 0]
[ 3]
[ 5]]
[[10]
[13]
[15]]] (2, 3, 1)rows = np.array([1,2,3,4,5,6,7,8])
row = rows[:,np.newaxis]
print row[[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]]random
详见链接
矩阵转置
arr1 = np.array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
# 这是原来的矩阵。如果对其进行转置，执行
print arr1.shape输出
(2, 2, 4)shape（2，2，4），三维原有顺序（0，1，2） (1,0,2)表示前两维转置，后一维维数不变,转换后矩阵shape（2，2，4），虽然形状没有变化，但是内容变了 A[x,y,z]---->B[y,x,z],就是A矩阵位置[x,y,z]元素转换到B矩阵中位置为[y,x,z],如： A[0,0,0]--->B[0,0,0] A[0,0,1]--->B[0,0,1] ... A[0,0,3]--->B[0,0,3] 以上这些元素的位置不会变化 A[0,1,0]--->B[1,0,0] A[0,1,1]--->B[1,0,1] ... A[0,1,3]--->B[1,0,3] 以上这些元素的位置会变化
arr2 = arr1.transpose((1,0,2))
print arr2[[[ 0 1 2 3]
[ 8 9 10 11]]
[[ 4 5 6 7]
[12 13 14 15]]]第一维不变，后两维交换位置 (0,1,2)---->(0,2,1) shape(2,2,4)---->shape(2,4,2) 这时候矩阵形状发生了变化
arr3 = arr1.transpose((0,2,1))
print arr3[[[ 0 4]
[ 1 5]
[ 2 6]
[ 3 7]]
[[ 8 12]
[ 9 13]
[10 14]
[11 15]]]arr4 = arr1.transpose((2,1,0))
print arr4[[[ 0 8]
[ 4 12]]
[[ 1 9]
[ 5 13]]
[[ 2 10]
[ 6 14]]
[[ 3 11]
[ 7 15]]]这个要是在实际应用中，使用什么方式转出自己想要的样子还需要多观察。
矩阵合并
z = np.array([1,2,3,4,5,6])
rand = np.random.rand(6,2)
print type(rand)
print z.shape
z = z[:, np.newaxis]
print np.hstack((rand, z))矩阵正规化（单位模长为1）
from sklearn import preprocessing
X = [[ 1., -1., 2.],
[ 2., 0., 0.],
[ 0., 1., -1.]]
X = np.array(X)
X_normalized = preprocessing.normalize(X, norm='l2')
print X_normalized
print np.linalg.norm(X_normalized[0])[[ 0.40824829 -0.40824829 0.81649658]
[ 1. 0. 0. ]
[ 0. 0.70710678 -0.70710678]]
1.0矩阵行求和
变量.sum(axis=1)本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2017.07.23 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录