python+numpy實現(xiàn)的基本矩陣操作示例
更新時間：2019年07月19日 09:40:19 作者：月下花弄影
這篇文章主要介紹了python+numpy實現(xiàn)的基本矩陣操作,結(jié)合實例形式分析了Python使用numpy模塊針對矩陣進行創(chuàng)建、增刪查改、索引、運算相關(guān)操作實現(xiàn)技巧,注釋中包含有詳細(xì)的說明,需要的朋友可以參考下
本文實例講述了python+numpy實現(xiàn)的基本矩陣操作。分享給大家供大家參考，具體如下：
#! usr/bin/env python # coding: utf-8 # 學(xué)習(xí)numpy中矩陣的代碼筆記 # 2018年05月29日15:43:40 # 參考網(wǎng)站：http://cs231n.github.io/python-numpy-tutorial/ import numpy as np #==================矩陣的創(chuàng)建，增刪查改，索引，運算=================================# #==================矩陣的創(chuàng)建，增刪查改=================================# # # 創(chuàng)建行向量 # x = np.array([1,2,3]) # # 修改某個值 # x[0] = 0 # 注意下標(biāo)索引從0開始，與MATLAB不一樣 # print(x) # print(x.shape) # print(type(x)) # # # 創(chuàng)建二維與多維矩陣 # matrix = np.array([[1,2,3],[1,2,3],[2,3,4]]) # 注意這里有一個小括號，小括號中還有一個中括號 # # 取出某個元素 # a1 = matrix[0][0] # print(a1) # print(matrix.shape) # # # # 創(chuàng)建特殊矩陣 # # 0矩陣 # zeros = np.zeros((2,2))# 注意，這里有兩個小括號，并且返回浮點型數(shù)據(jù)，而不是整形 # print(zeros) # # # 創(chuàng)建1矩陣 # ones = np.ones([3,3])# 注意這里也是兩個括號，其中里面的小括號也可是中括號，但是不建議使用 # print(ones) # # # 創(chuàng)建元素相同（）的矩陣 # full = np.full((2,3),2) #其中第一個括號表示矩陣大小，后面的數(shù)字表示填充的數(shù)字 # print(full) # # # 創(chuàng)建對角數(shù)為1的矩陣 # diag = np.eye(3,3)#注意這里如果行列數(shù)不同，只會讓行列下標(biāo)相等的元素為1 # print(diag) # # # 創(chuàng)建隨機矩陣(值在0到1之間)，注意這個方式不可以重復(fù)，也就是隨機不可以全部重現(xiàn)，每次運行都會不一樣 # random = np.random.random((2,3)) # 寫到這里，我需要說明一點，就是如何確定括號的個數(shù) # numpy下的方法肯定是有一個小括號的，且不可以改變 # 想要表達(dá)多維陣列，則需要輸入一個元祖（小括號）或者列表（中括號）來創(chuàng)建，這時就需要小括號或者中括號 # 如果是自己手敲出多維陣列，每一行需要中括號表示，用逗號分離每一行，然后外層再用一個中括號表示整個矩陣，然后再作為一個舉證輸入函數(shù)中 # print(random) #=======================矩陣的索引，切片=========================# metaMatrix = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#用逗號，而不能用空格 # # 單個元素的索引 # a = metaMatrix[0][0] # b = metaMatrix[0,0] # 這里不能使用小括號 # print(a) # print(b) # # # 切片操作 # a_ = metaMatrix[0:2,1]# 注意這里冒號后面的數(shù)是不索引的，如果缺省就是到最后，冒號前是可以得到的 # # 冒號后的數(shù)不索引，這時python的特點，與MATLAB不一樣 # print(a_) # # # 注意切片操作后矩陣維度的變化 # a1 = metaMatrix[0:1,:] # a2 = metaMatrix[0,:] # b = metaMatrix[0,1] # print(a1) # print(a2) # print(b) # # 注意到這兩行代碼得到的數(shù)據(jù)是一樣的，但是維度已經(jīng)發(fā)生了變化 # print(a1.shape) #a1仍然是矩陣 # print(a2.shape) #a2則是一個行向量，相比原矩陣，這里就少了一個維度，這與MATLAB有點不同 # print(b.shape) #b是沒有維度的，就是一個數(shù)而已 # # # 利用已有矩陣創(chuàng)建新矩陣，方法比較多樣化 # SrcMatrix = np.array([[1,2], [3, 4], [5, 6]]) # print(SrcMatrix) # # 利用矩陣的方式索引原有矩陣 # matrix1 = SrcMatrix[[0,1],[1,1]]# 這時將兩個中括號的對應(yīng)元素組合起來進行索引，是單個元素索引的擴展 # # 進行單個元素索引，然后組合起來，并用np.array創(chuàng)建成np的數(shù)組 # matrix2 = np.array([SrcMatrix[0][1],SrcMatrix[1][1]]) # # 如果不用np.array來創(chuàng)建成np的矩陣，就會導(dǎo)致數(shù)據(jù)格式的變化,對應(yīng)的操作就會發(fā)生變化 # matrix3 = [SrcMatrix[0][1],SrcMatrix[1][1]] # print(matrix1) # print(matrix2) # print(matrix3) # print(type(matrix1)) # print(type(matrix2)) # print(type(matrix3)) # # # numpy矩陣的元素索引方式可以用于改變或者選擇矩陣不同行的元素（不僅僅是同一列的數(shù)據(jù)） # a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]]) # b = np.array([0,2,0,1]) # # 先介紹一下np.arrange（）函數(shù)，表示創(chuàng)建一個從起始值到結(jié)束值少1（前面提到過，python中經(jīng)常不到這個值）的行向量，也可以設(shè)定步長 # c = a[np.arange(4),b] #其實就是相當(dāng)于矩陣方式索引一個矩陣中的元素（這比MATLAB中更加自由一些） # print(c) # # 改變矩陣的指定元素 # a[np.arange(4),b] += 10 # print(a) # # # 布爾型陣列，可以用來索引一些滿足特定條件的元素 # matrix = np.array([[1,2],[3,4],[5,6]]) # bool_id = matrix>2 # 也可以寫成bool_id =(matrix>2),注意，寫成中括號就是不同含義了 # print(bool_id) # print(matrix[bool_id]) # # 可以將上面兩行代碼合成一行 # matrix_ = matrix[matrix>2]# 注意，這里得到的是一維向量 # print(matrix_) # #=========================numpy array的數(shù)據(jù)類型=======================================# # # numpy的array的數(shù)據(jù)類型是自動識別的，但也可以指定 # # 如果輸入為整形，則會給數(shù)據(jù)的類型定義為int64 # matrix1 = np.array([1,2,3]) # print(matrix1.dtype) # # 如果輸入的數(shù)據(jù)為小數(shù)點，則會給數(shù)據(jù)類型定義為float64 # matrix2 = np.array([1.0,2.0,3.0]) # print(matrix2.dtype) # # 如果有浮點型也有整形數(shù)據(jù)，會賦值給占字節(jié)數(shù)多的數(shù)據(jù)類型,且對應(yīng)為64的 # matrix3 = np.array([1,2.0]) # print(matrix3.dtype) # # 也可以指定數(shù)據(jù)類型 # matrix4 = np.array([1,2],dtype=np.int8) # print(matrix4.dtype) # # 當(dāng)數(shù)據(jù)本身和指定的數(shù)據(jù)類型不符合時,會將數(shù)據(jù)轉(zhuǎn)化成指定的數(shù)據(jù)類型，有可能會發(fā)生溢出 # matrix5 = np.array([1,2000000,3.1],dtype=np.int8) # print(matrix5) # print(matrix5.dtype) #=========================矩陣的運算===================================# # # # 兩種加法和減法，乘除 # x = np.array([[1,2],[3,4]]) # y = np.array([[5,6],[7,8]]) # sum1 = x + y# 直接使用加法 # sum2 = np.add(x,y)# 運用numpy的函數(shù) # print(sum1) # print(sum2) # # substract1 = x - y # substract2 = np.subtract(x,y) # print(substract1) # print(substract2) # # prodution1 = x * y# 這是對應(yīng)元素的乘法 # prodution2 = np.multiply(x,y) # print(prodution1) # print(prodution2) # # devide1 = x/y # devide2 = np.divide(x,y) # # 注意矩陣進行運算時，數(shù)據(jù)類型不改變，因此，需要注意溢出現(xiàn)象等 # print(devide1) # print(devide2) # # # 矩陣的兩種向量乘法（使用dot） # x = np.array([[1,2],[3,4]]) # y = np.array([[5,6],[7,8]]) # multiDot1 = x.dot(y) # multiDot2 = np.dot(x,y) # print(multiDot1) # print(multiDot2) # # # 矩陣運算基本函數(shù) # x = np.array([[1,2],[3,4]]) # # 求和函數(shù) # # 對所有元素求和 # sum_all = np.sum(x) # # 對列求和 # sum_column = np.sum(x, 0)# 注意和MATLAB中的區(qū)分一下。 # # 對行求和 # sum_row = np.sum(x, 1) # print(sum_all) # print(sum_column) # print(sum_row) # # # 矩陣的轉(zhuǎn)置 # x = np.array([[1,2],[3,4]]) # transform = x.T # print(transform) # # # broadcasting的應(yīng)用，可以進行不同維度的矩陣算數(shù)運算 # # 考慮將一個常量行向量加到一個矩陣的每一行上 # # 下面會將x行向量加到y(tǒng)矩陣的每一行上(但是這個方法由于有顯示循環(huán)，而顯示循環(huán)比較慢一些，我們經(jīng)常會采用其他方法) # y = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]]) # x = np.array([1, 0, 1]) # y_ = np.empty_like(y) # 創(chuàng)建一個和y相同維度的矩陣，但沒有放內(nèi)容，但是已經(jīng)開辟了一塊內(nèi)存，其中的數(shù)據(jù)可能隨機 # print(y_) # for i in range(4): # y_[i,:] = y[i,:] + x # print(y_) # # 另一種方法是我們先將x復(fù)制3份，垂直放置，組成一個矩陣，再進行矩陣加法 # x_ = np.tile(x,(4,1))# np.tile表示復(fù)制,(4,1)表示將x作為元素，組成4*1的矩陣形式 # y__ = np.add(y,x_) # print(y__) # # 實際上，如果不對x進行處理，而直接將兩者相加，如果x和y滿足一些條件，x會自動復(fù)制 # # 條件是x和y在一個維度上相等，另一個維度上不一樣并且可以通過復(fù)制可以實現(xiàn)維度相等，則會自動復(fù)制 # print(y+x) # # 這里進行一個其他的測試 # print(x.T+y.T)# 可以看出可以實現(xiàn)列的復(fù)制 # 這里進行都不為向量的相加 # a1 = np.array([[1,2],[3,4],[5,6],[7,8]]) # a2 = np.array([[1,0],[0,1]]) # print(a1+a2)# 這里會出錯，說明只能自動進行一維數(shù)據(jù)的復(fù)制，多維數(shù)據(jù)不支持自動復(fù)制，而需要顯式復(fù)制 # # 同樣的，加法，減法和除法也都適合上面的自動復(fù)制原理 # 將一個矩陣或者向量進行維度的調(diào)整 x1 = np.array([1,2,3]) y1 = np.array([1,2]) # 實現(xiàn)x1和y1轉(zhuǎn)置的矩陣乘法，可以先將y1變成列向量 print(np.multiply(x1, np.reshape(y1,(2,1)))) # 試一下其他的維度變化 x2 = np.array([[1,2],[3,4],[5,6],[7,8]]) print(np.reshape(x2, (2,4))) print(np.reshape(x2, (4,2)))# 基本上按照西安航后列的順序進行
更多關(guān)于Python相關(guān)內(nèi)容感興趣的讀者可查看本站專題：《Python數(shù)學(xué)運算技巧總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》及《Python入門與進階經(jīng)典教程》
希望本文所述對大家Python程序設(shè)計有所幫助。
相關(guān)文章
這篇文章主要為大家詳細(xì)介紹了python實現(xiàn)udp聊天窗口，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-03-03
這篇文章主要給大家介紹了關(guān)于Python中if和elif的用法示例及區(qū)別的相關(guān)資料,除了基本的if和else語句外,elif（即else?if）也是一個非常重要的組成部分,需要的朋友可以參考下2024-04-04
這篇文章主要介紹了python中遍歷文件的3個方法,本文分別使用os.path.walk()、os.walk()、os.listdir()來實現(xiàn),需要的朋友可以參考下2014-09-09
這篇文章主要介紹了基于Python新建用戶并產(chǎn)生隨機密碼過程解析,文中通過示例代碼介紹的非常詳細(xì)，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2019-10-10
在本篇文章里小編給大家整理的是一篇關(guān)于python openssl模塊安裝及用法，有需要的朋友們可以學(xué)習(xí)下。2020-12-12
PyTorch中torch.tensor()和torch.to_tensor()的區(qū)別
在Pytorch中Tensor和tensor都用于生成新的張量,但二者并不相同,下面這篇文章主要給大家介紹了關(guān)于PyTorch中torch.tensor()和torch.to_tensor()區(qū)別的相關(guān)資料,需要的朋友可以參考下2023-01-01
Python數(shù)據(jù)可視化教程之Matplotlib實現(xiàn)各種圖表實例
這篇文章主要給大家介紹了關(guān)于Python數(shù)據(jù)可視化教程之利用Matplotlib實現(xiàn)各種圖表的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，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，需要的朋友們下面來一起看看吧2019-01-01
高階函數(shù)指的是能接收函數(shù)作為參數(shù)的函數(shù)或類，這篇文章主要介紹了Python中常用的高階函數(shù)，通過實例文字解釋相結(jié)合給大家介紹的非常詳細(xì),需要的朋友可以參考下2020-02-02
Python 爬蟲在抓取需要登錄的網(wǎng)站數(shù)據(jù)時,通常會遇到兩個主要問題：登錄驗證和驗證碼處理,這些機制是網(wǎng)站用來防止自動化程序過度抓取數(shù)據(jù)的主要手段,本文將詳細(xì)講解如何使用 Python 處理登錄與驗證碼,以便進行順利的數(shù)據(jù)抓取,需要的朋友可以參考下2024-11-11
Python+mpld3實現(xiàn)交互式Matplotlib圖表
通過結(jié)合使用Matplotlib和mpld3庫,我們可以輕松地創(chuàng)建交互式圖表,使得數(shù)據(jù)可視化更加生動和易于理解,下面就跟隨小編一起來學(xué)習(xí)一下具體實現(xiàn)方法吧2024-10-10