python中的矩阵、多维数组----numpy

1. 引言

最近在将一个算法由matlab转成python，初学python，很多地方还不熟悉，总体感觉就是上手容易，实际上很优雅地用python还是蛮难的。目前为止，觉得就算法仿真研究而言，还是matlab用得特别舒服，可能是比较熟悉的缘故吧。matlab直接集成了很多算法工具箱，函数查询、调用、变量查询等非常方便，或许以后用久了python也会感觉很好用。与python相比，最喜欢的莫过于可以直接选中某段代码执行了，操作方便，python也可以实现，就是感觉不是很方便。

言归正传，做算法要用到很多的向量和矩阵运算操作，这些嘛在matlab里面已经很熟悉了，但用python的时候需要用一个查一个，挺烦的，所以在此稍作总结，后续使用过程中会根据使用体验更新。

python的矩阵运算主要依赖numpy包，scipy包以numpy为基础，大大扩展了后者的运算能力。

2. 创建一般的多维数组

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import numpy as np
a = np.array([1,2,3], dtype=int)  # 创建1*3维数组   array([1,2,3])
type(a)  # numpy.ndarray类型
a.shape  # 维数信息(3L,)
a.dtype.name   # 'int32'
a.size   # 元素个数：3
a.itemsize  #每个元素所占用的字节数目:4
 
 
b=np.array([[1,2,3],[4,5,6]],dtype=int)  # 创建2*3维数组  array([[1,2,3],[4,5,6]])
b.shape  # 维数信息（2L,3L）
b.size   # 元素个数：6
b.itemsize   # 每个元素所占用的字节数目:4
 
 
c=np.array([[1,2,3],[4,5,6]],dtype='int16')  # 创建2*3维数组  array([[1,2,3],[4,5,6]],dtype=int16)
c.shape  # 维数信息（2L,3L）
c.size   # 元素个数：6
c.itemsize   # 每个元素所占用的字节数目:2
c.ndim  # 维数
 
 
d=np.array([[1,2,3],[4,5,6]],dtype=complex)    #  复数二维数组
d.itemsize  # 每个元素所占用的字节数目：16
d.dtype.name  # 元素类型：'complex128'

3. 创建特殊类型的多维数组　

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
a1 = np.zeros((3,4))    # 创建3*4全零二维数组
输出：
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
a1.dtype.name   # 元素类型：'float64'
a1.size  # 元素个数：12
a1.itemsize  # 每个元素所占用的字节个数：8
 
 
a2 = np.ones((2,3,4), dtype=np.int16)  # 创建2*3*4全1三维数组
a2 = np.ones((2,3,4), dtype='int16')     # 创建2*3*4全1三维数组
输出：
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],
 
       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)
 
 
a3 = np.empty((2,3))  # 创建2*3的未初始化二维数组
输出：（may vary）
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])
 
 
a4 = np.arange(10,30,5)   # 初始值10，结束值：30（不包含），步长：5
输出：array([10, 15, 20, 25])
a5 = np.arange(0,2,0.3)    # 初始值0，结束值：2（不包含），步长：0.2
输出：array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
 
 
from numpy import pi
np.linspace(0, 2, 9)   # 初始值0，结束值：2（包含），元素个数：9
输出：
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
x = np.linspace(0, 2*pi, 9)
输出：
array([ 0.        ,  0.78539816,  1.57079633,  2.35619449,  3.14159265,
        3.92699082,  4.71238898,  5.49778714,  6.28318531])
 
 
a = np.arange(6)
输出：
array([0, 1, 2, 3, 4, 5])
b = np.arange(12).reshape(4,3)
输出：
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
c = np.arange(24).reshape(2,3,4)
输出：
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
 
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])　

使用numpy.set_printoptions可以设置numpy变量的打印格式

在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例

4. 多维数组的基本操作

加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
a = np.arange(4)
输出：
array([0, 1, 2, 3])
b = a**2
输出：
array([0, 1, 4, 9])
c = 10*np.sin(a)
输出：
 array([ 0.        ,  8.41470985,  9.09297427,  1.41120008])
 
 
n < 35
输出：
array([ True,  True,  True,  True], dtype=bool)
 
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
C = A * B    # 元素点乘
输出：
array([[2, 0],
       [0, 4]])
D = A.dot(B)   # 矩阵乘法
输出：
array([[5, 4],
       [3, 4]])
E = np.dot(A,B)   # 矩阵乘法
输出：
array([[5, 4],
       [3, 4]])

多维数组操作过程中的类型转换

When operating with arrays of different types, the type of the resulting array corresponds to the more general or precise one (a behavior known as upcasting)

即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting

1
2
3
4
a = np.ones((2,3),dtype=int)      # int32
b = np.random.random((2,3))     # float64
b += a  # 正确
a += b  # 错误
1
2
3
4
5
6
7
8
9
10
a = np.ones(3,dtype=np.int32)
b = np.linspace(0,pi,3)
c = a + b
d = np.exp(c*1j)
输出：
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
       -0.54030231-0.84147098j])
d.dtype.name
输出：
 'complex128'

多维数组的一元操作，如求和、求最小值、最大值等

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
a = np.random.random((2,3))
a.sum()
a.min()
a.max()
 
 
b = np.arange(12).reshape(3,4)
输出：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
b.sum(axis=0)    # 按列求和
输出：
array([12, 15, 18, 21])
b.sum(axis=1)    # 按行求和
输出：
array([ 6, 22, 38])
b.cumsum(axis=0)   # 按列进行元素累加
输出：
array([[ 0,  1,  2,  3],
       [ 4,  6,  8, 10],
       [12, 15, 18, 21]])
b.cumsum(axis=1)   # 按行进行元素累加
输出：
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]])

universal functions

1
2
3
4
5
B = np.arange(3)
np.exp(B)
np.sqrt(B)
C = np.array([2.,-1.,4.])
np.add(B,C)

其他的ufunc函数包括：

all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor,inner, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var,vdot, vectorize, where

5. 数组索引、切片和迭代

1
2
3
4
5
6
a = np.arange(10)**3
a[2]
a[2:5]
a[::-1] # 逆序输出
for i in a:
    print (i**(1/3.))
1
2
3
4
5
6
7
8
def f(x,y):
    return 10*x+y
b = np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[  0,   1,   2],
        [ 10,  11,  12]],
 
       [[100, 101, 102],
        [110, 111, 112]]])
c.shape
输出：
(2L, 2L, 3L)
c[0,...]
c[0,:,:]
输出：
array([[ 0,  1,  2],
       [10, 11, 12]])
c[:,:,2]
c[...,2]
输出：
array([[  2,  12],
       [102, 112]])
 
for row in c:
    print(row)
 
for element in c.flat:
    print(element)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
a = np.floor(10*np.random.random((3,4)))
输出：
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])
a.ravel()
输出：
array([ 3.,  9.,  8., ...,  6.,  0.,  2.])
a.reshape(6,2)
输出：
array([[ 3.,  9.],
       [ 8.,  4.],
       [ 2.,  1.],
       [ 4.,  6.],
       [ 0.,  6.],
       [ 0.,  2.]])
a.T
输出：
array([[ 3.,  2.,  0.],
       [ 9.,  1.,  6.],
       [ 8.,  4.,  0.],
       [ 4.,  6.,  2.]])
a.T.shape
输出：
(4L, 3L)
a.resize((2,6))
输出：
array([[ 3.,  9.,  8.,  4.,  2.,  1.],
       [ 4.,  6.,  0.,  6.,  0.,  2.]])
a.shape
输出：
(2L, 6L)
a.reshape(3,-1)
输出：
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])

详查以下函数：

ndarray.shape, reshape, resize, ravel

6. 组合不同的多维数组

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
a = np.floor(10*np.random.random((2,2)))
输出：
array([[ 5.,  2.],
       [ 6.,  2.]])
b = np.floor(10*np.random.random((2,2)))
输出：
array([[ 0.,  2.],
       [ 4.,  1.]])
np.vstack((a,b))
输出：
array([[ 5.,  2.],
       [ 6.,  2.],
       [ 0.,  2.],
       [ 4.,  1.]])
np.hstack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
from numpy import newaxis
np.column_stack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
输出：
array([[ 4.],
       [ 2.]])
b[:,newaxis]
输出：
array([[ 2.],
       [ 8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.,  2.],
       [ 2.,  8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.],
       [ 2.],
       [ 2.],
       [ 8.]])
np.r_[1:4,0,4]
输出：
array([1, 2, 3, 0, 4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])

详细使用请查询以下函数：

hstack, vstack, column_stack, concatenate, c_, r_

7. 将较大的多维数组分割成较小的多维数组

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
a = np.floor(10*np.random.random((2,12)))
输出：
array([[ 9.,  7.,  9., ...,  3.,  2.,  4.],
       [ 5.,  3.,  3., ...,  9.,  7.,  7.]])
np.hsplit(a,3)
输出：
[array([[ 9.,  7.,  9.,  6.],
        [ 5.,  3.,  3.,  1.]]), array([[ 7.,  2.,  1.,  6.],
        [ 7.,  5.,  0.,  2.]]), array([[ 9.,  3.,  2.,  4.],
        [ 3.,  9.,  7.,  7.]])]
np.hsplit(a,(3,4))
输出：
[array([[ 9.,  7.,  9.],
        [ 5.,  3.,  3.]]), array([[ 6.],
        [ 1.]]), array([[ 7.,  2.,  1., ...,  3.,  2.,  4.],
        [ 7.,  5.,  0., ...,  9.,  7.,  7.]])]

实现类似功能的函数包括：

hsplit,vsplit,array_split

8.  多维数组的复制操作

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
a = np.arange(12)
输出：
array([ 0,  1,  2, ...,  9, 10, 11])
 
 
not copy at all
 
b = a
b is a    # True
b.shape = 3,4
a.shape  # (3L,4L)
 
def f(x)   # Python passes mutable objects as references, so function calls make no copy.
    print(id(x))   # id是python对象的唯一标识符
 
id(a)   # 111833936L
id(b)   # 111833936L
f(a)     # 111833936L
 
 
浅复制
 
c = a.view()
c is a   # False
c.base is a   # True
c.flags.owndata    # False
c.shape = 2,6
a.shape   # (3L,4L)
c[0,4] = 1234
print(a)
输出：
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
s = a[:,1:3]
s[:] = 10
print(a)
输出：
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])
 
 
深复制
d = a.copy()
d is a   # False
d.base is a   # False
d[0,0] = 9999
print(a)
输出：
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

numpy基本函数和方法一览

Array   Creation

arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros,zeros_like

Conversions

ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat

Manipulations

array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize,squeeze, swapaxes, take, transpose, vsplit, vstack

Questionsall, any, nonzero, where

Ordering

argmax, argmin, argsort, max, min, ptp, searchsorted, sort

Operations

choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum

Basic Statistics

cov, mean, std, var

Basic Linear Algebra

cross, dot, outer, linalg.svd, vdot

完整的函数和方法一览表链接：

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

9. 特殊的索引技巧

 1 a = np.arange(12)**2

 2 输出：

 3 array([  0,   1,   4, ...,  81, 100, 121])

 4 i = np.array([1,1,3,8,5])

 5 a[i]

 6 输出：

 7 array([ 1,  1,  9, 64, 25])

 8

 9 j = np.array([[3,4],[9,7]])

10 a[j]

11 输出：

12 array([[ 9, 16],

13        [81, 49]])

14

15

16 palette = np.array([[0,0,0],[255,0,0],[0,255,0],[0,0,255],[255,255,255]])

17 image = np.array([[0,1,2,0],[0,3,4,0]])

18 palette[image]

19 输出：

20 array([[[  0,   0,   0],

21         [255,   0,   0],

22         [  0, 255,   0],

23         [  0,   0,   0]],

24

25        [[  0,   0,   0],

26         [  0,   0, 255],

27         [255, 255, 255],

28         [  0,   0,   0]]])

29

30

31 i = np.array([[0,1],[1,2]])

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

33 a[i,j]

34 输出：

35 array([[ 2,  5],

36        [ 7, 11]])

37 l = [i,j]

38 a[l]

39 输出：

40 array([[ 2,  5],

41        [ 7, 11]])

42

43

44 a[i,2]

45 输出：

46 array([[ 2,  6],

47        [ 6, 10]])

48

49 a[:,j]

50 输出：

51 array([[[ 2,  1],

52         [ 3,  3]],

53

54        [[ 6,  5],

55         [ 7,  7]],

56

57        [[10,  9],

58         [11, 11]]])
s = np.array([i,j])

print(s)

array([[[0, 1],

        [1, 2]],

       [[2, 1],

        [3, 3]]])

a[tuple(s)]

输出：

array([[ 2,  5],

       [ 7, 11]])

print(tupe(s))

输出：

(array([[0, 1],

        [1, 2]]), array([[2, 1],

        [3, 3]]))

10. 寻找最大值/最小值及其对应索引值

time = np.linspace(20, 145, 5)

输出：

 array([  20.  ,   51.25,   82.5 ,  113.75,  145.  ])

data = np.sin(np.arange(20)).reshape(5,4)

输出：

array([[ 0.        ,  0.84147098,  0.90929743,  0.14112001],

       [-0.7568025 , -0.95892427, -0.2794155 ,  0.6569866 ],

       [ 0.98935825,  0.41211849, -0.54402111, -0.99999021],

       [-0.53657292,  0.42016704,  0.99060736,  0.65028784],

       [-0.28790332, -0.96139749, -0.75098725,  0.14987721]])

ind = data.argmax(axis=0)

输出：

array([2, 0, 3, 1], dtype=int64)

time_max = time[ind]

输出：

array([  82.5 ,   20.  ,  113.75,   51.25])

data_max = data[ind, xrange(data.shape[1])]

输出：

array([ 0.98935825,  0.84147098,  0.99060736,  0.6569866 ])

np.all(data_max == data.max(axis=0))

输出：

True

a = np.arange(5)

a[[1,3,4]] = 0

print(a)

输出：

array([0, 0, 2, 0, 0])
a = np.arange(5)

a[[0,0,2]] = [1,2,3]

print(a)

输出：

array([2, 1, 3, 3, 4])

a = np.arange(5)

a[[0,0,2]] += 1

print(a)

输出：

array([1, 1, 3, 3, 4])
 a = np.arange(12).reshape(3,4)

 b = a > 4

输出：

array([[False, False, False, False],

       [False,  True,  True,  True],

       [ True,  True,  True,  True]], dtype=bool)

a[b]

输出：

array([ 5,  6,  7,  8,  9, 10, 11])

a[b] = 0

print(a)

输出：

array([[0, 1, 2, 3],

       [4, 0, 0, 0],

       [0, 0, 0, 0]])
a = np.arange(12).reshape(3,4)

b1 = np.array([False,True,True])

b2 = n.array([True,False,True,False])

a[b1,:]

输出：

array([[ 4,  5,  6,  7],

       [ 8,  9, 10, 11]])

a[b1]

输出：

array([[ 4,  5,  6,  7],

       [ 8,  9, 10, 11]])

a[:,b2]

输出：

array([[ 0,  2],

       [ 4,  6],

       [ 8, 10]])

a[b1,b2]

输出：

array([ 4, 10])

11. ix_() function

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

 2 b = np.array([8,5,4])

 3 c = np.array([5,4,6,8,3])

 4 ax,bx,cx = np.ix_(a,b,c)

 5 print(ax)   # (4L, 1L, 1L)

 6 输出：

 7 array([[[2]],

 8

 9        [[3]],

10

11        [[4]],

12

13        [[5]]])

14 print(bx)    # (1L, 3L, 1L)

15 输出：

16 array([[[8],

17         [5],

18         [4]]])

19 print(cx)   # (1L, 1L, 5L)

20 输出：

21 array([[[5, 4, 6, 8, 3]]])

22

23

24 result = ax + bx*cx

25 输出：

26 array([[[42, 34, 50, 66, 26],

27         [27, 22, 32, 42, 17],

28         [22, 18, 26, 34, 14]],

29

30        [[43, 35, 51, 67, 27],

31         [28, 23, 33, 43, 18],

32         [23, 19, 27, 35, 15]],

33

34        [[44, 36, 52, 68, 28],

35         [29, 24, 34, 44, 19],

36         [24, 20, 28, 36, 16]],

37

38        [[45, 37, 53, 69, 29],

39         [30, 25, 35, 45, 20],

40         [25, 21, 29, 37, 17]]])

41

42 result[3,2,4]

43 输出：17

12. 线性代数运算

a = np.array([[1.,2.],[3.,4.]])

a.transpose()   # 转置

np.linalg.inv(a)   # 求逆

u = np.eye(2)   # 产生单位矩阵

np.dot(a,a)    # 矩阵乘积

np.trace(a)    # 求矩阵的迹

y = np.array([5.],[7.]])

np.linalg.solve(a,y)  # 求解线性方程组

np.linalg.eig(a)   # 特征分解

“Automatic” Reshaping

 1 a = np.arange(30)

 2 a.shape = 2,-1,3

 3 a.shape   #  (2L, 5L, 3L)

 4 print(a)

 5 array([[[ 0,  1,  2],

 6         [ 3,  4,  5],

 7         [ 6,  7,  8],

 8         [ 9, 10, 11],

 9         [12, 13, 14]],

10

11        [[15, 16, 17],

12         [18, 19, 20],

13         [21, 22, 23],

14         [24, 25, 26],

15         [27, 28, 29]]])
1 x = np.arange(0,10,2)

2 y = np.arange(5)

3 m = np.vstack([x,y])

4 输出：

5 array([[0, 2, 4, 6, 8],

6        [0, 1, 2, 3, 4]])

7 n = np.hstack([x,y])

8 输出：

9 array([0, 2, 4, 6, 8, 0, 1, 2, 3, 4])

13. 矩阵的创建

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

a1 = np.mat(a)

输出：

matrix([[1, 2, 3]])

type(a1)

输出：

numpy.matrixlib.defmatrix.matrix

a1.shape

输出：

(1L, 3L)

a.shape

输出：

(3L,)

b=np.matrix([1,2,3])

输出：

matrix([[1, 2, 3]])

from numpy import *

data1 = mat(zeros((3,3)))

data2 = mat(ones((2,4)))

data3 = mat(random.rand(2,2))

data4 = mat(random.randint(2,8,size=(2,5)))

data5 = mat(eye(2,2,dtype=int))

14. 常见的矩阵运算

 1 a1 = mat([1,2])

 2 a2 = mat([[1],[2]])

 3 a3 = a1 * a2

 4 print(a3)

 5 输出：

 6 matrix([[5]])

 7

 8 print(a1*2)

 9 输出：

10 matrix([[2, 4]])

11

12 a1 = mat(eye(2,2)*0.5)

13 print(a1.I)

14 输出：

15 matrix([[ 2.,  0.],

16         [ 0.,  2.]])

17

18

19 a1 = mat([[1,2],[2,3],[4,2]])

20 a1.sum(axis=0)

21 输出：

22 matrix([[7, 7]])

23 a1.sum(axis=1)

24 输出：

25 matrix([[3],

26         [5],

27         [6]])

28 a1.max()  # 求矩阵元素最大值

29 输出：

30 4

31 a1.min()  # 求矩阵元素最小值

32 输出：

33 1

34

35 np.max(a1,0)  # 求矩阵每列元素最大值

36 输出：

37 matrix([[4, 3]])

38 np.max(a1,1)  # 求矩阵每行元素最大值

39 输出：

40 matrix([[2],

41         [3],

42         [4]])

43

44

45 a = mat(ones((2,2)))

46 b = mat(eye((2)))

47 c = hstack((a,b))

48 输出：

49 matrix([[ 1.,  1.,  1.,  0.],

50         [ 1.,  1.,  0.,  1.]])

51 d = vstack((a,b))

52 输出：

53 matrix([[ 1.,  1.],

54         [ 1.,  1.],

55         [ 1.,  0.],

56         [ 0.,  1.]])

15. 矩阵、数组、列表之间的互相转换

 1 aa = [[1,2],[3,4],[5,6]]

 2 bb = array(aa)

 3 cc = mat(bb)

 4

 5 cc.getA()  # 矩阵转换为数组

 6 cc.tolist()  # 矩阵转换为列表

 7 bb.tolist() # 数组转换为列表

 8

 9

10 # 当列表为一维时，情况有点特殊

11 aa = [1,2,3,4]

12 bb = array(aa)

13 输出：

14 array([1, 2, 3, 4])

15 cc = mat(bb)

16 输出：

17 matrix([[1, 2, 3, 4]])

18

19 cc.tolist()

20 输出：

21 [[1, 2, 3, 4]]

22

23 bb.tolist()

24 输出：

25 [1, 2, 3, 4]

26

27 cc.tolist()[0]

28 输出：

29 [1, 2, 3, 4]

内容整理参考链接如下：

https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

http://python.usyiyi.cn/translate/NumPy_v111/reference/arrays.scalars.html#arrays-scalars-built-in

42-python中的矩阵、多维数组----numpy的更多相关文章

  1. python中的矩阵、多维数组----numpy

    https://docs.scipy.org/doc/numpy-dev/user/quickstart.html  (numpy官网一些教程) numpy教程:数组创建 python中的矩阵.多维数 ...

  2. [转]Python中的矩阵转置

    Python中的矩阵转置 via 需求: 你需要转置一个二维数组,将行列互换. 讨论: 你需要确保该数组的行列数都是相同的.比如: arr = [[1, 2, 3], [4, 5, 6], [7, 8 ...

  3. Python中的矩阵操作

    Numpy 通过观察Python的自有数据类型,我们可以发现Python原生并不提供多维数组的操作,那么为了处理矩阵,就需要使用第三方提供的相关的包. NumPy 是一个非常优秀的提供矩阵操作的包.N ...

  4. 地图四叉树一般用在GIS中，在游戏寻路中2D游戏中一般用2维数组就够了

    地图四叉树一般用在GIS中,在游戏寻路中2D游戏中一般用2维数组就够了 四叉树对于区域查询,效率比较高. 原理图

  5. C语言中如何将二维数组作为函数的参数传递

    今天写程序的时候要用到二维数组作参数传给一个函数,我发现将二维数组作参数进行传递还不是想象得那么简单里,但是最后我也解决了遇到的问题,所以这篇文章主要介绍如何处理二维数组当作参数传递的情况,希望大家不 ...

  6. php中count获取多维数组长度的方法

    转自:http://www.jb51.net/article/57021.htm 本文实例讲述了php中count获取多维数组长度的实现方法.分享给大家供大家参考.具体分析如下: 先来看看下面程序运行 ...

  7. php中向前台js中传送一个二维数组

    在php中向前台js中传送一个二维数组,并在前台js接收获取其中值的全过程方法: (1),方法说明:现在后台将数组发送到前台 echo json_encode($result); 然后再在js页面中的 ...

  8. 关于python中的矩阵乘法（array和mat类型）

    关于python中的矩阵乘法,我们一般有两种数据格式可以实现:np.array()类型和np.mat()类型: 对于这两种数据类型均有三种操作方式: (1)乘号 * (2)np.dot() (3)np ...

  9. 以杨辉三角为例，从内存角度简单分析C语言中的动态二维数组

    学C语言,一定绕不过指针这一大难关,而指针最让人头疼的就是各种指向关系,一阶的指针还比较容易掌握,但一旦阶数一高,就很容易理不清楚其中的指向关系,现在我将通过杨辉三角为例,我会用四种方法从内存的角度简 ...

随机推荐

  1. eterm和easyfare的官网地址

    里面有eterm下载和eterm文档资料 运价软件easyfare和easyfare的文档. https://www.eterm.com.cn/caci/eterm/index-cn.jsp http ...

  2. Redis等缓存数据库为什么访问会比较快？

    首先,我们知道,mysql是持久化存储,存放在磁盘里面,检索的话,会涉及到一定的IO,为了解决这个瓶颈,于是出现了缓存,比如现在用的最多的 memcached(简称mc).首先,用户访问mc,如果未命 ...

  3. Spark学习笔记2：RDD编程

    通过一个简单的单词计数的例子来开始介绍RDD编程. import org.apache.spark.{SparkConf, SparkContext} object word { def main(a ...

  4. ORACLE中index的rebuild(转)

    Oracle里大量删除记录后,表和索引里占用的数据块空间并没有释放. table move可以释放已删除记录表占用的数据块空间,整理碎片.如果将表格用move方式整理碎片后,索引将失效,这时需要将索引 ...

  5. ElasticSearch 索引模块——集成IK中文分词

    下载插件地址 https://github.com/medcl/elasticsearch-analysis-ik/tree/v1.10.0 对这个插件在window下进行解压 用maven工具对插件 ...

  6. 函数图 https://www.processon.com/mindmap/5b5077fae4b040415ae39c64

    ---恢复内容结束---

  7. mysql更新(五) 完整性约束 外键的变种 三种关系 数据的增删改

    11-数据的增删改   本节重点: 插入数据 INSERT 更新数据 UPDATE 删除数据 DELETE 再来回顾一下之前我们练过的一些操作,相信大家都对插入数据.更新数据.删除数据有了全面的认识. ...

  8. Spring中的ThreadPoolTaskExecutor

      在观察线上系统的运行情况下,发现在错误日志中有这类错误信息,org.springframework.core.task.TaskRejectedException,于是便对ThreadPoolTa ...

  9. PCB的初次窥探

    第一次画PCB经常用到的知识点 鼠标拖动+X      :左右转动(对称) +space:90度转动 +L      :顶层与底层的切换 Ctrl+M:测量 J + C:查找原件 交叉探针+原理图(P ...

  10. JS - 函数，Math,number

    函数分为:关键字function 匿名函数 — 没有名字的函数 有名函数 — 有名字的函数 <body> <div></div> <script> // ...