Numpy中對向量、矩陣的使用詳解
在下面的代碼里面,我們利用numpy和scipy做了很多工作,每一行都有注釋,講解了對應(yīng)的向量/矩陣操作。
歸納一下,下面的代碼主要做了這些事:
- 創(chuàng)建一個向量
- 創(chuàng)建一個矩陣
- 創(chuàng)建一個稀疏矩陣
- 選擇元素
- 展示一個矩陣的屬性
- 對多個元素同時應(yīng)用某種操作
- 找到最大值和最小值
- 計算平均值、方差和標準差
- 矩陣變形
- 轉(zhuǎn)置向量或矩陣
- 展開一個矩陣
- 計算矩陣的秩
- 計算行列式
- 獲取矩陣的對角線元素
- 計算矩陣的跡
- 計算特征值和特征向量
- 計算點積
- 矩陣的相加相減
- 矩陣的乘法
- 計算矩陣的逆
一起來看代碼吧:
# 加載numpy庫 import numpy as np from scipy import sparse # 創(chuàng)建一個一維數(shù)組表示一個行向量 vector_row = np.array([1, 2, 3]) # 創(chuàng)建一個一維數(shù)組表示一個列向量 vector_column = np.array([[1], [2], [3]]) # 創(chuàng)建一個二維數(shù)組表示一個矩陣 matrix1 = np.array([[1, 2], [1, 2], [1, 2]]) # 利用Numpy內(nèi)置矩陣數(shù)據(jù)結(jié)構(gòu) matrix1_object = np.mat([[1, 2], [1, 2], [1, 2]]) # 創(chuàng)建一個新的矩陣 matrix2 = np.array([[0, 0], [0, 1], [3, 0]]) # 創(chuàng)建一個壓縮的稀疏行(CSR)矩陣 matrix2_sparse = sparse.csc_matrix(matrix2) # 查看稀疏矩陣 print(matrix2_sparse) # 創(chuàng)建一個更大的矩陣 matrix_large = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 1, 0, 0, 0, 0, 0, 0, 0, 0], [3, 0, 0, 0, 0, 0, 0, 0, 0, 0]]) # 創(chuàng)建一個CSR矩陣 matrix_large_sparse = sparse.csr_matrix(matrix_large) # 查看更大的稀疏矩陣 print(matrix_large_sparse) # 創(chuàng)建一個行向量 vector = np.array([1, 2, 3, 4, 5, 6]) # 創(chuàng)建矩陣 matrix_vector = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 選擇向量的第三個元素 print(vector[2]) # 選擇第二行第二列 print(matrix_vector[1, 1]) # 選取一個向量的所有元素 print(vector[:]) # 選取從0開始一直到第3個(包含第3個)元素 print(vector[:3]) # 選取第3個元素之后的全部元素 print(vector[3:]) # 選取最后一個元素 print(vector[-1]) # 選取矩陣的第1行和第2行以及所有列 print(matrix_vector[:2, :]) # 選取所有行以及第2列 print(matrix_vector[:, 1:2]) # 選取所有行以及第2列并轉(zhuǎn)換成一個新的行向量 print(matrix_vector[:, 1]) # 創(chuàng)建新的矩陣 matrix3 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) # 查看行數(shù)和列數(shù) print(matrix3.shape) # 查看元素數(shù)量 print(matrix3.size) # 查看維數(shù) print(matrix3.ndim) # 下面使用的矩陣是matrix_vector # 創(chuàng)建一個匿名函數(shù),返回輸入值加上100以后的值 add_100 = lambda i: i+100 # 創(chuàng)建向量轉(zhuǎn)化函數(shù) vectorized_add_100 = np.vectorize(add_100) # 對矩陣的所有元素應(yīng)用這個函數(shù) print(vectorized_add_100(matrix_vector)) # 用后矩陣本身不變 print(matrix_vector) # 連續(xù)使用 print(vectorized_add_100(vectorized_add_100(matrix_vector))) # 返回最大的元素 print(np.max(matrix_vector)) # 返回最小元素 print(np.min(matrix_vector)) # 找到每一列的最大元素 print(np.max(matrix_vector, axis=0)) # 找到每一行最大的元素 print(np.max(matrix_vector, axis=1)) # 返回平均值 print(np.mean(matrix_vector)) # 返回方差 print(np.var(matrix_vector)) # 返回標準差 print(np.std(matrix_vector)) # 求每一列的平均值 print(np.mean(matrix_vector, axis=0)) # 求每一行的方差 print(np.var(matrix_vector, axis=1)) # 將matrix3矩陣變?yōu)?×6矩陣 matrix4 = matrix3.reshape(2, 6) print(matrix4) # 上面的變形要求前后元素個數(shù)相同,且不會改變元素個數(shù) print(matrix4.size) # reshape時傳入?yún)?shù)-1意味著可以根據(jù)需要填充元素 print(matrix3.reshape(1, -1)) # reshape如果提供一個整數(shù),那么reshape會返回一個長度為該整數(shù)值的一維數(shù)組 print(matrix3.reshape(12)) # 轉(zhuǎn)置matrix_vector矩陣 print(matrix_vector.T) # 嚴格地講,向量是不能被轉(zhuǎn)置的 print(vector.T) # 轉(zhuǎn)置向量通常指二維數(shù)組表示形式下將行向量轉(zhuǎn)換為列向量或者反向轉(zhuǎn)換 print(np.array([[1, 2, 3, 4, 5, 6]]).T) # 將matrix_vector矩陣展開 print(matrix_vector.flatten()) # 將矩陣展開的另一種策略是利用reshape創(chuàng)建一個行向量 print(matrix_vector.reshape(1, -1)) # 創(chuàng)建用于求秩的新矩陣 matrix5 = np.array([[1, 1, 1], [1, 1, 10], [1, 1, 15]]) # 計算矩陣matrix5的秩 print(np.linalg.matrix_rank(matrix5)) # 創(chuàng)建用于行列式求解的新矩陣 matrix6 = np.array([[1, 2, 3], [2, 4, 6], [3, 8, 9]]) # 求解矩陣matrix6的行列式 print(np.linalg.det(matrix6)) # 返回矩陣的對角線元素 print(matrix6.diagonal()) # 返回主對角線向上偏移量為1的對角線元素 print(matrix6.diagonal(offset=1)) # 返回主對角線向下偏移量為1的對角線元素 print(matrix6.diagonal(offset=-1)) # 返回矩陣的跡 print(matrix6.trace()) # 求跡的另外的方法(返回對角線元素并求和) print(sum(matrix6.diagonal())) # 創(chuàng)建一個求解特征值、特征向量的矩陣 matrix7 = np.array([[1, -1, 3], [1, 1, 6], [3, 8, 9]]) # 計算特征值和特征向量 eigenvalues, eigenvectors = np.linalg.eig(matrix7) # 查看特征值 print(eigenvalues) # 查看特征向量 print(eigenvectors) # 構(gòu)造兩個點積(數(shù)量積)所需向量 vector_a = np.array([1, 2, 3]) vector_b = np.array([4, 5, 6]) # 計算點積 print(np.dot(vector_a, vector_b)) # Python 3.5+ 版本可以這樣求解點積 print(vector_a @ vector_b) # 構(gòu)造兩個可用于加減的矩陣 matrix_a = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 2]]) matrix_b = np.array([[1, 3, 1], [1, 3, 1], [1, 3, 8]]) # 兩矩陣相加 print(np.add(matrix_a, matrix_b)) # 兩矩陣相減 print(np.subtract(matrix_a, matrix_b)) # 直接用+/-也可以做矩陣加減 print(matrix_a + matrix_b) print(matrix_a - matrix_b) # 構(gòu)造兩個可用于乘法的小矩陣 matrix_c = np.array([[1, 1], [1, 2]]) matrix_d = np.array([[1, 3], [1, 2]]) # 兩矩陣相乘 print(np.dot(matrix_c, matrix_d)) # Python 3.5+ 版本可以這樣求解矩陣乘法 print(matrix_c @ matrix_d) # 我們也可以把兩矩陣對應(yīng)元素相乘,而非矩陣乘法 print(matrix_c * matrix_d) # 創(chuàng)建一個用于求逆的矩陣 matrix8 = np.array([[1, 4], [2, 5]]) # 計算矩陣的逆 print(np.linalg.inv(matrix8)) # 驗證一個矩陣和它的逆矩陣相乘等于I(單位矩陣) print(matrix8 @ np.linalg.inv(matrix8))
測試結(jié)果:
(2, 0) 3
(1, 1) 1
(1, 1) 1
(2, 0) 3
3
5
[1 2 3 4 5 6]
[1 2 3]
[4 5 6]
6
[[1 2 3]
[4 5 6]]
[[2]
[5]
[8]]
[2 5 8]
(3, 4)
12
2
[[101 102 103]
[104 105 106]
[107 108 109]]
[[1 2 3]
[4 5 6]
[7 8 9]]
[[201 202 203]
[204 205 206]
[207 208 209]]
9
1
[7 8 9]
[3 6 9]
5.0
6.666666666666667
2.581988897471611
[4. 5. 6.]
[0.66666667 0.66666667 0.66666667]
[[ 1 2 3 4 5 6]
[ 7 8 9 10 11 12]]
12
[[ 1 2 3 4 5 6 7 8 9 10 11 12]]
[ 1 2 3 4 5 6 7 8 9 10 11 12]
[[1 4 7]
[2 5 8]
[3 6 9]]
[1 2 3 4 5 6]
[[1]
[2]
[3]
[4]
[5]
[6]]
[1 2 3 4 5 6 7 8 9]
[[1 2 3 4 5 6 7 8 9]]
2
0.0
[1 4 9]
[2 6]
[2 8]
14
14
[13.55075847 0.74003145 -3.29078992]
[[-0.17622017 -0.96677403 -0.53373322]
[-0.435951 0.2053623 -0.64324848]
[-0.88254925 0.15223105 0.54896288]]
32
32
[[ 2 4 2]
[ 2 4 2]
[ 2 4 10]]
[[ 0 -2 0]
[ 0 -2 0]
[ 0 -2 -6]]
[[ 2 4 2]
[ 2 4 2]
[ 2 4 10]]
[[ 0 -2 0]
[ 0 -2 0]
[ 0 -2 -6]]
[[2 5]
[3 7]]
[[2 5]
[3 7]]
[[1 3]
[1 4]]
[[-1.66666667 1.33333333]
[ 0.66666667 -0.33333333]]
[[1.00000000e+00 0.00000000e+00]
[1.11022302e-16 1.00000000e+00]]
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
python項目報錯:bs4.FeatureNotFound:?Couldn‘t?find?a?tree?bu
這篇文章主要給大家介紹了python項目報錯:bs4.FeatureNotFound:?Couldn‘t?find?a?tree?builder?with?the?features?you?requests的解決方式,文中通過圖文介紹的非常詳細,需要的朋友可以參考下2022-09-09基于Django框架利用Ajax實現(xiàn)點贊功能實例代碼
點贊這個功能是我們現(xiàn)在經(jīng)常會遇到的一個功能,下面這篇文章主要給大家介紹了關(guān)于基于Django框架利用Ajax實現(xiàn)點贊功能的相關(guān)資料,文中通過示例代碼介紹的非常詳細,需要的朋友們下面隨著小編來一起學習學習吧2018-08-08django1.11.1 models 數(shù)據(jù)庫同步方法
今天小編就為大家分享一篇django1.11.1 models 數(shù)據(jù)庫同步方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05python實現(xiàn)人機對戰(zhàn)的五子棋游戲
這篇文章主要為大家詳細介紹了python實現(xiàn)人機對戰(zhàn)的五子棋游戲,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下2022-04-04用openCV和Python 實現(xiàn)圖片對比,并標識出不同點的方式
今天小編就為大家分享一篇用openCV和Python 實現(xiàn)圖片對比,并標識出不同點的方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12