【Python】Numpy使用指南

Numpy介绍:

Numpy是用来存储和处理大型矩阵,比Python自身的嵌套列表结构要高效的多,本身是由C语言开发。这个是很基础的扩展,其余的扩展都是以此为基础。

Numpy常用操作

定义矩阵变量并输出变量的一些属性:

# -*-coding:utf-8-*-
import numpy as np
# 用np.array()生成矩阵
arr=np.array([[1,2,3],
              [4,5,6]])

print(arr)
print('number of arr dimensions: ',arr.ndim)
print('~    ~    ~   shape: ',arr.shape)
print('~    ~    ~   size: ', arr.size)

# 输出结果:
[[1 2 3]
 [4 5 6]]
number of arr dimensions:  2
~    ~    ~   shape:  (2, 3)
~    ~    ~   size:  6

定义一些特殊矩阵

# 指定矩阵数据类型
arr=np.array([[1,2,3],
              [4,5,6]],
              dtype=np.float64) # 我的电脑np.int是int32,还可以使用np.int32/np.int64/np.float32/np.float64
print(arr.dtype)

# 用np.zeros()生成全零矩阵
arr_zeros=np.zeros( (2,3) )
print(arr_zeros)

# 用np.ones()生成全一矩阵
arr_ones=np.ones( (2,3) )
print(arr_ones)

# 生成随机矩阵np.random.random()
arr_random=np.random.random((2,3))
print(arr_random)

# 用np.arange()生成数列
arr=np.arange(6,12)
print(arr)

# 用np.arange().reshape()将数列转成矩阵
arr=np.arange(6,12).reshape( (2,3) )
print(arr)

# 用np.linspace(开始,结束,多少点划分线段),同样也可以用reshape()
arr=np.linspace(1,5,3)
print(arr)

矩阵运算

# 矩阵运算
arr1=np.array([1,2,3,6])
arr2=np.arange(4)

# 矩阵减法,加法同理
arr_sub=arr1-arr2
print(arr1)
print(arr2)
print(arr_sub)

# 矩阵乘法
arr_multi=arr1**3 # 求每个元素的立方,在python中幂运算用**来表示
print(arr_multi)

arr_multi=arr1*arr2 # 元素逐个相乘
print(arr_multi) 

arr_multi=np.dot(arr1, arr2.reshape((4,1))) # 维度1*4和4*1矩阵相乘
print(arr_multi)

arr_multi=np.dot(arr1.reshape((4,1)), arr2.reshape((1,4))) # 维度4*1和1*4矩阵相乘
print(arr_multi)

arr_multi=arr1.dot(arr2.reshape((4,1))) # 也可以使用矩阵名.doc(矩阵名)
print(arr_multi)

# 三角运算:np.sin()/np.cos()/np.tan()
arr_sin=np.sin(arr1)
print(arr_sin)

# 逻辑运算
print(arr1<3) # 查看arr1矩阵中哪些元素小于3,返回[ True  True False False]

# 矩阵求和,求矩阵最大最小值
arr1=np.array([[1,2,3],
               [4,5,6]])
print(arr1)
print(np.sum(arr1)) # 矩阵求和
print(np.sum(arr1,axis=0)) # 矩阵每列求和
print(np.sum(arr1,axis=1).reshape(2,1)) # 矩阵每行求和

print(np.min(arr1)) # 求矩阵最小值
print(np.min(arr1,axis=0))
print(np.min(arr1,axis=1))

print(np.max(arr1)) # 求矩阵最大值

print(np.mean(arr1)) # 输出矩阵平均值,也可以用arr1.mean()
print(np.median(arr1)) # 输出矩阵中位数

# 输出矩阵某些值的位置
arr1=np.arange(2,14).reshape((3,4))
print(arr1)

print(np.argmin(arr1)) # 输出矩阵最小值的位置,0
print(np.argmax(arr1)) # 输出矩阵最大值的位置,11

print(np.cumsum(arr1)) # 输出前一个数的和,前两个数的和,等等
print(np.diff(arr1)) # 输出相邻两个数的差值

arr_zeros=np.zeros((3,4))
print(np.nonzero(arr_zeros)) #输出矩阵非零元素位置,返回多个行向量,第i个行向量表示第i个维度
print(np.nonzero(arr1))

print(np.sort(arr1)) # 矩阵逐行排序
print(np.transpose(arr1)) # 矩阵转置,也可以用arr1.T

print(np.clip(arr1,5,9)) #将矩阵中小于5的数置5,大于9的数置9

numpy索引

# numpy索引
arr1=np.array([1,2,3,6])
arr2=np.arange(2,8).reshape(2,3)

print(arr1)
print(arr1[0]) # 索引从0开始计数

print(arr2)
print(arr2[0][2]) # arr[行][列],也可以用arr[行,列]
print(arr2[0,:]) # 用:来代表所有元素的意思
print(arr2[0,0:3]) # 表示输出第0行,从第0列到第2列所有元素
                   # 注意python索引一般是左闭右开

# 通过for循环每次输出矩阵的一行
for row in arr2:
    print(row)

# 如果要每次输出矩阵的一列,就先将矩阵转置
arr2_T=arr2.T
print(arr2_T)
for row in arr2_T:
    print(row)

# 将矩阵压成一行逐个输出元素
arr2_flat=arr2.flatten()
print(arr2_flat)

for i in arr2.flat: # 也可以用arr2.flatten()
    print(i)

矩阵合并与分割

# 矩阵合并
arr1=np.array([1,2,3,6])
arr2=np.arange(4)
arr3=np.arange(2,16+1,2).reshape(2,4)
print(arr1)
print(arr2)
print(arr3)

arr_hor=np.hstack((arr1,arr2)) # 水平合并,horizontal
arr_ver=np.vstack((arr1,arr3)) # 垂直合并,vertical
print(arr_hor)
print(arr_ver)

# 矩阵分割
print('arr3: ',arr3)
print(np.split(arr3,4,axis=1)) # 将矩阵按列均分成4块
print(np.split(arr3,2,axis=0)) # 将矩阵按行均分成2块
print(np.hsplit(arr3,4)) # 将矩阵按列均分成4块
print(np.vsplit(arr3,2)) # 将矩阵按行均分成2块
print(np.array_split(arr3,3,axis=1)) # 将矩阵进行不均等划分

numpy复制:浅复制,深复制

# numpy复制:浅复制,深复制
# 浅复制
arr1=np.array([3,1,2,3])
print(arr1)
a1=arr1
b1=a1
# 通过上述赋值运算,arr1,a1,b1都指向了同一个地址(浅复制)
print(a1 is arr1)
print(b1 is arr1)
print(id(a1))
print(id(b1))
print(id(arr1))

# 会发现通过b1[0]改变内容,arr1,a1,b1的内容都改变了
b1[0]=6
print(b1)
print(a1)
print(arr1)

# 深复制
arr2=np.array([3,1,2,3])
print('\n')
print(arr2)
b2=arr2.copy() # 深复制,此时b2拥有不同于arr2的空间
a2=b2.copy()
# 通过上述赋值运算,arr1,a1,b1都指向了不同的地址(深复制)
print(id(arr2))
print(id(a2))
print(id(b2))
# 此时改变b2,a2的值,互不影响
b2[0]=1
a2[0]=2
print(b2)
print(a2)
print(arr2)

线性代数模块(linalg)

# 线性代数模块(linalg)
# 求范数
a=np.array([5,12])
print(a)
b=np.linalg.norm(a) # norm表示范数,默认求2范数,ord=1求1范数,ord=np.inf求无穷范数
print(b)

# 求矩阵的迹、行列式、秩、特征值、特征向量
b = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

print(np.trace(b))      # 15,求矩阵的迹(主对角线上各个元素的总和)

c=np.linalg.det(b)
print(c)                # 输出一个很小的值6.66133814775e-16,求矩阵的行列式值
                        # 如果希望输出为0,使用round(c, 2),四舍五入保留小数点后两位
                        # 不过对精度要求高可以使用decimal模块

c=np.linalg.matrix_rank(b)
print(c)                # 2,求矩阵的秩

u,v=np.linalg.eig(b) # u为特征值
print(u)
print(v)

# 矩阵分解
# Cholesky分解并重建
d = np.array([
    [2, 1],
    [1, 2]
])

l = np.linalg.cholesky(d)
print(l) # 得到下三角矩阵
e=np.dot(l, l.T)
print(e) # 重建得到矩阵d


# 对不正定矩阵,进行SVD分解并重建
U, s, V = np.linalg.svd(d)

S = np.array([
    [s[0], 0],
    [0, s[1]]
])

print(np.dot(U, np.dot(S, V))) # 重建得到矩阵d

# 矩阵乘法
# https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html#numpy.dot
print(np.dot(3, 4)) # 12,0-D矩阵相乘(也就是标量相乘)

print(np.dot([2j, 3j], [2j, 3j])) # (-13+0j),1-D矩阵相乘(实际上是向量做点积)

a=[[1, 0], [0, 1]]
b=[[4, 1, 0], [2, 2, 0]]
print(np.dot(a, b))
'''
array([[4, 1],
    [2, 2]])
2-D矩阵相乘
这里是2*2矩阵和2*3矩阵相乘,结果为2*3矩阵
'''

a=[[1, 0], [1, 2]]
b=[2,2]
c=np.dot(a,b)
print(c) 
'''
[2 6]
注意这里b是向量
numpy处理时并不是按照矩阵乘法规则计算
而是向量点积
也就是np.dot([1, 0],[1, 2])和np.dot([1, 2],[2,2])
'''

# 再做个实验来区别向量乘法和矩阵乘法
b=np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

# 这里插播一下,np.array([1,0,1])是3维向量,而不是1*3的矩阵
c1=np.array([[1,0,2]]) 
print(c1.shape) # (1, 3),这是一个1*3的矩阵
c2=np.array([1,0,2])
print(c2.shape) # (3,),这是一个3维向量

# print(np.dot(b,c1)) # 报错,不符合矩阵乘法规则
print(np.dot(b,c2)) # [ 7 16 25],点积运算

print(np.dot(c1,b)) # [[15 18 21]],矩阵乘法运算规则
print(np.dot(c2,b)) # [15 18 21],点积运算

# 还要补充一下,如果是用python自带的*运算符计算则是广播机制
print(b*c1) # print(b*c2)结果一样
'''
[[ 1  0  6]
 [ 4  0 12]
 [ 7  0 18]]
'''
print(b+c1) # print(b*c2)结果一样
'''
[[ 2  2  5]
 [ 5  5  8]
 [ 8  8 11]]
'''

参考资料

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏量化投资与机器学习

从Encoder到Decoder实现Seq2Seq模型(算法+代码)

知乎专栏:机器不学习 作者:天雨栗 | 蚂蚁金服 | 数据算法 已授权刊登 前言 好久没有更新专栏,今天我们来看一个简单的Seq2Seq实现,我们将使用Tens...

8016
来自专栏灯塔大数据

每周学点大数据 | No.7大数据规模的算法分析

No.7期 大数据规模的算法分析 Mr. 王:这样的时间界限记为O(1),我们称之为常数时间算法,这样的算法一般来说是最快的,因为它与输入规模完全无关,不论输...

2024
来自专栏程序员叨叨叨

8.4 CG 标准函数库

和 C 的标准函数库类似,Cg 提供了一系列内建的标准函数。这些函数用于执行数学上的通用计算或通用算法(纹理映射等),例如,需要求取入射光线的反射光线方向向量可...

2495
来自专栏机器学习算法原理与实践

用scikit-learn学习K-Means聚类

    在K-Means聚类算法原理中,我们对K-Means的原理做了总结,本文我们就来讨论用scikit-learn来学习K-Means聚类。重点讲述如何选择...

781
来自专栏计算机视觉life

SLIC超像素分割详解(二):关键代码分析

SLIC超像素分割详解(二) 网站http://ivrl.epfl.ch/research/superpixels给出了SLIC的代码。对于其中C++代码的几个...

2557
来自专栏学习有记

[LeetCode Python3]566. Reshape the Matrix(重塑矩阵)

在MATLAB中,有一个非常有用的函数 reshape,它可以将一个矩阵重塑为另一个大小不同的新矩阵,但保留其原始数据。

2202
来自专栏余林丰

13.高斯消去法(2)——三角矩阵

  对于矩阵有一类特殊的矩阵,叫做三角矩阵。 ?   这种矩阵如果还是按照定义一个二维数组来对数值进行存储的话,无疑将消耗掉不必要的空间,所以我们采用压缩存储的...

2309
来自专栏机器学习入门

LWC 55:714. Best Time to Buy and Sell Stock with Transaction Fee

LWC 55:714. Best Time to Buy and Sell Stock with Transaction Fee 传送门:714. Best T...

2298
来自专栏大数据挖掘DT机器学习

CART算法学习及代码实现

1.算法介绍 分类回归树算法:CART(Classification And Regression Tree)算法采用一种二分递归分割的技术,将当前的样...

4734
来自专栏机器学习算法原理与实践

BIRCH聚类算法原理

    在K-Means聚类算法原理中,我们讲到了K-Means和Mini Batch K-Means的聚类原理。这里我们再来看看另外一种常见的聚类算法BIRC...

1491

扫码关注云+社区

领取腾讯云代金券