快捷導(dǎo)航

對numpy中數(shù)組轉(zhuǎn)置的求解以及向量內(nèi)積計(jì)算方法

更新時(shí)間：2018年10月31日 16:28:18 作者：grey_csdn

今天小編就為大家分享一篇對numpy中數(shù)組轉(zhuǎn)置的求解以及向量內(nèi)積計(jì)算方法，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧

有點(diǎn)抱歉的是我的數(shù)學(xué)功底確實(shí)是不好，經(jīng)過了高中的緊張到了大學(xué)之后松散了下來。原本高中就有點(diǎn)拖后腿的數(shù)學(xué)到了大學(xué)之后更是一落千丈。線性代數(shù)直接沒有學(xué)明白，同樣沒有學(xué)明白的還有概率及統(tǒng)計(jì)以及復(fù)變函數(shù)。時(shí)至今日，我依然覺得這是人生中讓人羞愧的一件事兒。不過，好在我還有機(jī)會，為了不敷衍而去學(xué)習(xí)一下。

矩陣的轉(zhuǎn)置有什么作用，我真是不知道了，今天總結(jié)完矩陣轉(zhuǎn)置的操作之后先去網(wǎng)絡(luò)上補(bǔ)充一下相關(guān)的知識。

今天的代碼操作如下：

In [15]: arr1 = np.arange(20)


In [16]: arr1
Out[16]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
    17, 18, 19])


In [17]: arr2 = arr1.reshape((4,5))


In [18]: arr2
Out[18]:
array([[ 0, 1, 2, 3, 4],
    [ 5, 6, 7, 8, 9],
    [10, 11, 12, 13, 14],
    [15, 16, 17, 18, 19]])


In [19]: arr3 = arr2.T


In [20]: arr3
Out[20]:
array([[ 0, 5, 10, 15],
    [ 1, 6, 11, 16],
    [ 2, 7, 12, 17],
    [ 3, 8, 13, 18],
    [ 4, 9, 14, 19]])


In [21]: np.dot(arr3,arr2)
Out[21]:
array([[350, 380, 410, 440, 470],
    [380, 414, 448, 482, 516],
    [410, 448, 486, 524, 562],
    [440, 482, 524, 566, 608],
    [470, 516, 562, 608, 654]])

Reshape的方法是用來改變數(shù)組的維度，而T的屬性則是實(shí)現(xiàn)矩陣的轉(zhuǎn)置。從計(jì)算的結(jié)果看，矩陣的轉(zhuǎn)置實(shí)際上是實(shí)現(xiàn)了矩陣的對軸轉(zhuǎn)換。而矩陣轉(zhuǎn)置常用的地方適用于計(jì)算矩陣的內(nèi)積。而關(guān)于這個(gè)算數(shù)運(yùn)算的意義，我也已經(jīng)不明確了，這也算是今天補(bǔ)課的內(nèi)容吧！

關(guān)于前面的兩個(gè)補(bǔ)課，看了一堆資料確實(shí)是不好理解。但是總是記憶公式終歸不是我想要的結(jié)果，以后還需要不斷地嘗試?yán)斫?。不過，關(guān)于內(nèi)積倒是查到了一個(gè)幾何解釋，而且不知道其對不對。解釋為：高維空間的向量到低維子空間的投影，但是思索了好久依然是沒有弄明白?？磥?，線性代數(shù)還是得悶頭好好理解一下咯。

以上這篇對numpy中數(shù)組轉(zhuǎn)置的求解以及向量內(nèi)積計(jì)算方法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: