Python中Numpy ndarray的使用詳解
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(biāo),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。
相關(guān)文章
使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)做人臉識別的示例代碼
這篇文章主要介紹了使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)做人臉識別的示例代碼,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2020-03-03Prometheus開發(fā)中間件Exporter過程詳解
這篇文章主要介紹了Prometheus開發(fā)中間件Exporter過程詳解,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,需要的朋友可以參考下2020-11-11YOLOv5車牌識別實戰(zhàn)教程(八)Web應(yīng)用與API開發(fā)
這篇文章主要介紹了YOLOv5車牌識別實戰(zhàn)教程(八)Web應(yīng)用與API開發(fā),在這個教程中,我們將一步步教你如何使用YOLOv5進行車牌識別,幫助你快速掌握YOLOv5車牌識別技能,需要的朋友可以參考下2023-04-04