Python 快速入门（四）Numpy（2）

Numpy 矩阵操作

上次numpy的第一次分享，涉及了numpy矩阵的构建，一维二维的，矩阵的size，取元素，特殊矩阵的构建，slicing操作，list的comprehension，整数索引，布尔索引，等等。今天一起来看一下numpy的第二次分析，包括,numpy矩阵元素的数据类型，元素的计算，特殊方法的构建矩阵，等等。（下面的分享参考python, scipy, 和斯坦福大学的python 教程，动图来源于网络）

在上次的学习中，我们创造了一个np.array,其中包含浮点数，而使用print (type(array))可以查看该数组的类型。

import numpy as np

a = np.zeros((1))

# 创造一个0向量，只包含一个0,用小括号,zero加s

print(a)# [0]

print(type(a),type(a[0]))

# 0 默认是64位的float类型的

b = np.array([1,2.5,3,4])

# 包含一个浮点型，默认float64 类型

c = np.array([1,2,3,4])# 默认int32

当一个矩阵中包含浮点型，那么整个数组的data type就默认是 folat 64,并且每个元素都是。

除了默认的类型之外，可以创造给定的类型，整数类型包括，int 8, 16, 32, 64, 浮点型的包含 float 16, 32, 64. 具体的更多案例，就参考官网的链接：https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html

Numpy的出现让我们操作矩阵和运算变的很方便，所以矩阵的运算就变得很重要。矩阵对于运算符号的操作是元素类的操作。

比如加法运算：就是同一个size的矩阵，对应元素的相加。减法，乘法和除法也类似。

a4 = a1 - a2

# list类型不支持 list - list 操作,也不支持除法，乘法操作。

print (a4,np.subtract(a1,a2))

# 可以利用 np.subtract

print (a1/a2,np.divide(a1,a2))

# np.devide

矩阵除了元素的运算外，其实更多的是矩阵的乘法，取均值，标准差和标准化等等一系列操作。

d = np.array([[1,2],[1,2],[1,2]])

print (b.dot(d),np.dot(b,d))

# 3*2 的矩阵和2*3的矩阵相乘，得到2*2的矩阵

# i_STEM,一维的向量相乘，

v1 = np.array([1,2,3])

v2 = np.array([1,2,3])

print (v1.dot(v2))

# 14，两个向量的相乘是一个值。

元素取和操作：

v = np.array([[1,2,3],[4,5,6]])

print (np.sum(v))# 21

print (np.sum(v,axis = 0))

# [5,7,9],每一列的和

print (np.sum(v,axis = 1))

# [6,15],每一行的和

print ((v-np.mean(v,axis = 0))/np.std(v,axis = 0))

# 按列标准化之后，新的矩阵每一列

# 均值为0，标准差是1，按列标准化是比较常用的一个操作，实际中每一行经常是一条数据，

其他操作还有转置操作等等。其他的更多操作参考：

https://docs.scipy.org/doc/numpy/reference/routines.math.html

很多有用的操作，比如给一个二维的矩阵每一行都加上一个向量，得到一个新的矩阵。

b = np.array([3,4])

bs = np.tile(b,(2,3))

# 原来1行两列，2*3的堆叠后，变成（1*2）*（2*3）的大小

# tile本身有砖块的意思，就是堆叠的引申意义

[[3 4 3 4 3 4]

[3 4 3 4 3 4]]

更多numpy的常用用法，可以参考官网查看了：

https://docs.scipy.org/doc/numpy/reference/

好，下次跟大家分享scipy 的用法，这是处理图像时候常用的，比如做医学图像处理等等。