NumPy是一个关于矩阵运算的库，熟悉Matlab的都应该清楚，这个库就是让python能够进行矩阵话的操作，而不用去写循环操作。
下面对numpy中的操作进行总结。
numpy包含两种基本的数据类型：数组和矩阵。
数组(Arrays)
|
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
|
>>> from numpy import *>>> a1=array([1,1,1]) #定义一个数组>>> a2=array([2,2,2])>>> a1+a2 #对于元素相加array([3, 3, 3])>>> a1*2 #乘一个数array([2, 2, 2])##>>> a1=array([1,2,3])>>> a1array([1, 2, 3])>>> a1**3 #表示对数组中的每个数做平方array([ 1, 8, 27])##取值，注意的是它是以0为开始坐标，不matlab不同>>> a1[1]2##定义多维数组>>> a3=array([[1,2,3],[4,5,6]])>>> a3array([[1, 2, 3], [4, 5, 6]])>>> a3[0] #取出第一行的数据array([1, 2, 3])>>> a3[0,0] #第一行第一个数据1>>> a3[0][0] #也可用这种方式1##数组点乘，相当于matlab点乘操作>>> a1=array([1,2,3])>>> a2=array([4,5,6])>>> a1*a2array([ 4, 10, 18]) |
Numpy有许多的创建数组的函数：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import numpy as npa = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.] # [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.] # [ 7. 7.]]"d = np.eye(2) # Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.] # [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941] # [ 0.68744134 0.87236687]]" |
数组索引(Array indexing)
矩阵
矩阵的操作与Matlab语言有很多的相关性。
|
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
|
#创建矩阵>>> m=mat([1,2,3])>>> mmatrix([[1, 2, 3]])#取值>>> m[0] #取一行matrix([[1, 2, 3]])>>> m[0,1] #第一行，第2个数据2>>> m[0][1] #注意不能像数组那样取值了Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__ out = N.ndarray.__getitem__(self, index)IndexError: index 1 is out of bounds for axis 0 with size 1#将Python的列表转换成NumPy的矩阵>>> list=[1,2,3]>>> mat(list)matrix([[1, 2, 3]])#矩阵相乘>>> m1=mat([1,2,3]) #1行3列>>> m2=mat([4,5,6]) >>> m1*m2.T #注意左列与右行相等 m2.T为转置操作matrix([[32]]) >>> multiply(m1,m2) #执行点乘操作，要使用函数，特别注意matrix([[ 4, 10, 18]]) #排序>>> m=mat([[2,5,1],[4,6,2]]) #创建2行3列矩阵>>> mmatrix([[2, 5, 1], [4, 6, 2]])>>> m.sort() #对每一行进行排序>>> mmatrix([[1, 2, 5], [2, 4, 6]])>>> m.shape #获得矩阵的行列数(2, 3)>>> m.shape[0] #获得矩阵的行数2>>> m.shape[1] #获得矩阵的列数3#索引取值>>> m[1,:] #取得第一行的所有元素matrix([[2, 4, 6]])>>> m[1,0:1] #第一行第0个元素，注意左闭右开matrix([[2]])>>> m[1,0:3]matrix([[2, 4, 6]])>>> m[1,0:2]matrix([[2, 4]]) |
扩展矩阵函数tile()
例如，要计算[0,0,0]到一个多维矩阵中每个点的距离，则要将[0,0,0]进行扩展。
tile(inX, (i,j)) ;i是扩展个数，j是扩展长度
实例如下：
|
1
2
3
4
5
6
7
8
9
10
|
>>>x=mat([0,0,0])>>> xmatrix([[0, 0, 0]])>>> tile(x,(3,1)) #即将x扩展3个，j=1,表示其列数不变matrix([[0, 0, 0], [0, 0, 0], [0, 0, 0]])>>> tile(x,(2,2)) #x扩展2次，j=2,横向扩展matrix([[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]]) |
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/taoyanqi8932/article/details/52703686
