快捷導(dǎo)航

Python中Numpy ndarray的使用詳解

更新時間：2019年05月24日 15:05:02 作者：Rogn

這篇文章主要介紹了Python中Numpy ndarray的使用詳解，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

本文主講Python中Numpy數(shù)組的類型、全0全1數(shù)組的生成、隨機數(shù)組、數(shù)組操作、矩陣的簡單運算、矩陣的數(shù)學(xué)運算。

盡管可以用python中l(wèi)ist嵌套來模擬矩陣，但使用Numpy庫更方便。

定義數(shù)組

>>> import numpy as np
>>> m = np.array([[1,2,3], [2,3,4]])    #定義矩陣，int64
>>> m
array([[1, 2, 3],
    [2, 3, 4]])
>>> m = np.array([[1,2,3], [2,3,4]], dtype=np.float)  #定義矩陣,float64
>>> m
array([[1., 2., 3.],
    [2., 3., 4.]])
>>> print(m.dtype)  #數(shù)據(jù)類型  
float64
>>> print(m.shape)  #形狀2行3列
(2, 3)
>>> print(m.ndim)   #維數(shù)
2
>>> print(m.size)   #元素個數(shù)
6
>>> print(type(m))
<class 'numpy.ndarray'>

還有一些特殊的方法可以定義矩陣

>>> m = np.zeros((2,2))     #全0
>>> m
array([[0., 0.],
    [0., 0.]])
>>> print(type(m))        #也是ndarray類型
<class 'numpy.ndarray'>
>>> m = np.ones((2,2,3))    #全1
>>> m = np.full((3,4), 7)    #全為7
>>> np.eye(3)          #單位矩陣
array([[1., 0., 0.],
    [0., 1., 0.],
    [0., 0., 1.]])
>>> np.arange(20).reshape(4,5)  #生成一個4行5列的數(shù)組
>>>
>>> np.random.random((2,3))    #[0,1)隨機數(shù)
array([[0.51123127, 0.40852721, 0.26159126],
    [0.42450279, 0.34763668, 0.06167501]])
>>> np.random.randint(1,10,(2,3))  #[1,10)隨機整數(shù)的2行3列數(shù)組
array([[5, 4, 9],
    [2, 5, 7]])
>>> np.random.randn(2,3)       #正態(tài)隨機分布
array([[-0.29538656, -0.50370707, -2.05627716],
    [-1.50126655, 0.41884067, 0.67306605]])
>>> np.random.choice([10,20,30], (2,3))   #隨機選擇
array([[10, 20, 10],
    [30, 10, 20]])
>>> np.random.beta(1,10,(2,3))       #貝塔分布
array([[0.01588963, 0.12635485, 0.22279098],
    [0.08950147, 0.02244569, 0.00953366]])

操作數(shù)組

>>> from numpy import *
>>> a1=array([1,1,1])  #定義一個數(shù)組
>>> a2=array([2,2,2])
>>> a1+a2        #對于元素相加
array([3, 3, 3])
>>> a1*2         #乘一個數(shù)
array([2, 2, 2])

##
>>> a1=np.array([1,2,3])
>>> a1
array([1, 2, 3])
>>> a1**3       #表示對數(shù)組中的每個數(shù)做立方
array([ 1, 8, 27])

##取值，注意的是它是以0為開始坐標，不matlab不同
>>> a1[1]
2

##定義多維數(shù)組
>>> a3=np.array([[1,2,3],[4,5,6]])
>>> a3
array([[1, 2, 3],
    [4, 5, 6]])
>>> a3[0]       #取出第一行的數(shù)據(jù)
array([1, 2, 3])
>>> a3[0,0]      #第一行第一個數(shù)據(jù)
1
>>> a3[0][0]     #也可用這種方式
1
>>> a3
array([[1, 2, 3],
    [4, 5, 6]])
>>> a3.sum(axis=0)   #按行相加，列不變
array([5, 7, 9])
>>> a3.sum(axis=1)   #按列相加，行不變
array([ 6, 15])

矩陣的數(shù)學(xué)運算

關(guān)于方陣

>>> m = np.array([[1,2,3], [2,2,3], [2,3,4]])  #定義一個方陣
>>> m
array([[1, 2, 3],
    [2, 2, 3],
    [2, 3, 4]])
>>> print(np.linalg.det(m))    #求行列式
1.0
>>> print(np.linalg.inv(m))    #求逆
[[-1. 1. 0.]
 [-2. -2. 3.]
 [ 2. 1. -2.]]
>>> print(np.linalg.eig(m))   #特征值 特征向量
(array([ 7.66898014+0.j    , -0.33449007+0.13605817j,
    -0.33449007-0.13605817j]), array([[-0.47474371+0.j    , -0.35654645+0.23768904j,
    -0.35654645-0.23768904j],
    [-0.53664812+0.j    , 0.80607696+0.j    ,
     0.80607696-0.j    ],
[-0.6975867 +0.j    , -0.38956192-0.12190158j,
    -0.38956192+0.12190158j]]))
>>> y = np.array([1,2,3])
>>> print(np.linalg.solve(m, y))  #解方程組
[ 1. 3. -2.]

矩陣乘法

矩陣乘：按照線性代數(shù)的乘法

>>> a = np.array([[1,2,3], [2,3,4]])
>>> b = np.array([[1,2], [3,4], [5,6]])
>>> a
array([[1, 2, 3],
    [2, 3, 4]])
>>> b
array([[1, 2],
    [3, 4],
    [5, 6]])
>>> np.dot(a, b)   #方法一
array([[22, 28],
    [31, 40]])
>>> np.matmul(a,b)  #方法二
array([[22, 28],

注：一維數(shù)組之間運算時，dot()表示的是內(nèi)積。

點乘：對應(yīng)位置相乘

>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[1,1],[2,2]])
>>> a
array([[1, 2],
    [3, 4]])
>>> b
array([[1, 1],
    [2, 2]])
>>> a * b          #方法一
array([[1, 2],
    [6, 8]])
>>> np.multiply(a, b)  #方法二
array([[1, 2],
    [6, 8]])

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: