|
1、Numpy是什么 很簡單，Numpy是Python的一個科學(xué)計(jì)算的庫，提供了矩陣運(yùn)算的功能，其一般與Scipy、matplotlib一起使用。其實(shí)，list已經(jīng)提供了類似于矩陣的表示形式，不過numpy為我們提供了更多的函數(shù)。如果接觸過matlab、scilab，那么numpy很好入手。 在以下的代碼示例中，總是先導(dǎo)入了numpy： 復(fù)制代碼 代碼如下:
>>> import numpy as np >>> print np.version.version 1.6.2
多維數(shù)組的類型是：numpy.ndarray。 使用numpy.array方法 以list或tuple變量為參數(shù)產(chǎn)生一維數(shù)組： 復(fù)制代碼 代碼如下:
>>> print np.array([1,2,3,4]) [1 2 3 4] >>> print np.array((1.2,2,3,4)) [ 1.2 2. 3. 4. ] >>> print type(np.array((1.2,2,3,4))) <type 'numpy.ndarray'> 以list或tuple變量為元素產(chǎn)生二維數(shù)組： 復(fù)制代碼 代碼如下:
>>> print np.array([[1,2],[3,4]]) [[1 2] [3 4]] 生成數(shù)組的時候，可以指定數(shù)據(jù)類型，例如numpy.int32, numpy.int16, and numpy.float64等： 復(fù)制代碼 代碼如下:
>>> print np.array((1.2,2,3,4), dtype=np.int32) [1 2 3 4] 使用numpy.arange方法 復(fù)制代碼 代碼如下:
>>> print np.arange(15) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] >>> print type(np.arange(15)) <type 'numpy.ndarray'> >>> print np.arange(15).reshape(3,5) [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] >>> print type(np.arange(15).reshape(3,5)) <type 'numpy.ndarray'> 使用numpy.linspace方法 例如，在從1到3中產(chǎn)生9個數(shù)： 復(fù)制代碼 代碼如下:
>>> print np.linspace(1,3,9) [ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ] 使用numpy.zeros，numpy.ones，numpy.eye等方法可以構(gòu)造特定的矩陣 例如： 復(fù)制代碼 代碼如下:
>>> print np.zeros((3,4)) [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] >>> print np.ones((3,4)) [[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]] >>> print np.eye(3) [[ 1. 0. 0.] [ 0. 1. 0.] [ 0. 0. 1.]] 創(chuàng)建一個三維數(shù)組： 復(fù)制代碼 代碼如下:
>>> print np.zeros((2,2,2)) [[[ 0. 0.] [ 0. 0.]] [[ 0. 0.] 獲取數(shù)組的屬性： 復(fù)制代碼 代碼如下:
>>> a = np.zeros((2,2,2)) >>> print a.ndim #數(shù)組的維數(shù) 3 >>> print a.shape #數(shù)組每一維的大小 (2, 2, 2) >>> print a.size #數(shù)組的元素?cái)?shù) 8 >>> print a.dtype #元素類型 float64 >>> print a.itemsize #每個元素所占的字節(jié)數(shù) 8
示例： 復(fù)制代碼 代碼如下:
>>> a = np.array( [[2,3,4],[5,6,7]] ) >>> print a [[2 3 4] [5 6 7]] >>> print a[1,2] 7 >>> print a[1,:] [5 6 7] >>> print a[1,1:2] [6] >>> a[1,:] = [8,9,10] >>> print a [[ 2 3 4] [ 8 9 10]] 使用for操作元素 復(fù)制代碼 代碼如下:
>>> for x in np.linspace(1,3,3): ... print x ... 1.0 2.0 3.0
先構(gòu)造數(shù)組a、b： 復(fù)制代碼 代碼如下:
>>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print a [[ 1. 1.] [ 1. 1.]] >>> print b [[ 1. 0.] [ 0. 1.]] 數(shù)組的加減乘除： 復(fù)制代碼 代碼如下:
>>> print a > 2 [[False False] [False False]] >>> print a+b [[ 2. 1.] [ 1. 2.]] >>> print a-b [[ 0. 1.] [ 1. 0.]] >>> print b*2 [[ 2. 0.] [ 0. 2.]] >>> print (a*2)*(b*2) [[ 4. 0.] [ 0. 4.]] >>> print b/(a*2) [[ 0.5 0. ] [ 0. 0.5]] >>> print (a*2)**4 [[ 16. 16.] [ 16. 16.]] 使用數(shù)組對象自帶的方法： 復(fù)制代碼 代碼如下:
>>> a.sum() 4.0 >>> a.sum(axis=0) #計(jì)算每一列（二維數(shù)組中類似于矩陣的列）的和 array([ 2., 2.]) >>> a.min() 1.0 >>> a.max() 1.0 使用numpy下的方法： 復(fù)制代碼 代碼如下:
>>> np.sin(a) array([[ 0.84147098, 0.84147098], [ 0.84147098, 0.84147098]]) >>> np.max(a) 1.0 >>> np.floor(a) array([[ 1., 1.], [ 1., 1.]]) >>> np.exp(a) array([[ 2.71828183, 2.71828183], [ 2.71828183, 2.71828183]]) >>> np.dot(a,a) ##矩陣乘法 array([[ 2., 2.], [ 2., 2.]])
使用numpy下的vstack和hstack函數(shù)： 復(fù)制代碼 代碼如下:
>>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print np.vstack((a,b)) [[ 1. 1.] [ 1. 1.] [ 1. 0.] [ 0. 1.]] >>> print np.hstack((a,b)) [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] 看一下這兩個函數(shù)有沒有涉及到淺拷貝這種問題： 復(fù)制代碼 代碼如下:
>>> c = np.hstack((a,b)) >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] >>> a[1,1] = 5 >>> b[1,1] = 5 >>> print c [[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]] 可以看到，a、b中元素的改變并未影響c。
數(shù)組對象自帶了淺拷貝和深拷貝的方法，但是一般用深拷貝多一些： 復(fù)制代碼 代碼如下:
>>> a = np.ones((2,2))
>>> b = a >>> b is a True >>> c = a.copy() #深拷貝 >>> c is a False 基本的矩陣運(yùn)算 轉(zhuǎn)置： 復(fù)制代碼 代碼如下:
>>> a = np.array([[1,0],[2,3]]) >>> print a [[1 0] [2 3]] >>> print a.transpose() [[1 2] [0 3]] 跡： 復(fù)制代碼 代碼如下:
>>> print np.trace(a) 4 numpy.linalg模塊中有很多關(guān)于矩陣運(yùn)算的方法： 復(fù)制代碼 代碼如下:
>>> import numpy.linalg as nplg 特征值、特征向量： 復(fù)制代碼 代碼如下:
>>> print nplg.eig(a) (array([ 3., 1.]), array([[ 0. , 0.70710678], [ 1. , -0.70710678]])) 3、矩陣 numpy也可以構(gòu)造矩陣對象，這里不做討論。 |
|
|
