脚本之家，脚本语言编程技术及教程分享平台！
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - Python中的Numpy矩阵操作

Python中的Numpy矩阵操作

2021-03-27 00:25峻之岭峰 Python

这篇文章主要介绍了Python中的Numpy矩阵操作，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

Numpy

通过观察Python的自有数据类型，我们可以发现Python原生并不提供多维数组的操作，那么为了处理矩阵，就需要使用第三方提供的相关的包。

NumPy 是一个非常优秀的提供矩阵操作的包。NumPy的主要目标，就是提供多维数组，从而实现矩阵操作。

NumPy's main object is the homogeneous multidimensional array. It is a table of elements (usually numbers), all of the same type, indexed by a tuple of positive integers. In NumPy dimensions are called axes.

基本操作

?
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
#######################################
# 创建矩阵
#######################################
from numpy import array as matrix, arange
 
# 创建矩阵
a = arange(15).reshape(3,5)
a
 
# Out[10]:
# array([[0., 0., 0., 0., 0.],
#    [0., 0., 0., 0., 0.],
#    [0., 0., 0., 0., 0.]])
 
b = matrix([2,2])
b
 
# Out[33]: array([2, 2])
 
c = matrix([[1,2,3,4,5,6],[7,8,9,10,11,12]], dtype=int)
c
 
 
# Out[40]:
# array([[ 1, 2, 3, 4, 5, 6],
#    [ 7, 8, 9, 10, 11, 12]])
?
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
#######################################
# 创建特殊矩阵
#######################################
from numpy import zeros, ones,empty
 
z = zeros((3,4))
z
 
# Out[43]:
# array([[0., 0., 0., 0.],
#    [0., 0., 0., 0.],
#    [0., 0., 0., 0.]])
 
o = ones((3,4))
o
 
# Out[46]:
# array([[1., 1., 1., 1.],
#    [1., 1., 1., 1.],
#    [1., 1., 1., 1.]])
 
e = empty((3,4))
e
 
# Out[47]:
# array([[0., 0., 0., 0.],
#    [0., 0., 0., 0.],
#    [0., 0., 0., 0.]])
?
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
57
58
59
#######################################
# 矩阵数学运算
#######################################
from numpy import array as matrix, arange
 
a = arange(9).reshape(3,3)
a
 
# Out[10]:
# array([[0, 1, 2],
#    [3, 4, 5],
#    [6, 7, 8]])
 
b = arange(3)
b
 
# Out[14]: array([0, 1, 2])
 
a + b
 
# Out[12]:
# array([[ 0, 2, 4],
#    [ 3, 5, 7],
#    [ 6, 8, 10]])
 
a - b
 
# array([[0, 0, 0],
#    [3, 3, 3],
#    [6, 6, 6]])
 
a * b
 
# Out[11]:
# array([[ 0, 1, 4],
#    [ 0, 4, 10],
#    [ 0, 7, 16]])
 
a < 5
 
# Out[12]:
# array([[ True, True, True],
#    [ True, True, False],
#    [False, False, False]])
 
a ** 2
 
# Out[13]:
# array([[ 0, 1, 4],
#    [ 9, 16, 25],
#    [36, 49, 64]], dtype=int32)
 
a += 3
a
 
# Out[17]:
# array([[ 3, 4, 5],
#    [ 6, 7, 8],
#    [ 9, 10, 11]])
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
#######################################
# 矩阵内置操作
#######################################
from numpy import array as matrix, arange
 
a = arange(9).reshape(3,3)
a
 
# Out[10]:
# array([[0, 1, 2],
#    [3, 4, 5],
#    [6, 7, 8]])
 
a.max()
 
# Out[23]: 8
 
a.min()
 
# Out[24]: 0
 
a.sum()
 
# Out[25]: 36
?
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
#######################################
# 矩阵索引、拆分、遍历
#######################################
from numpy import array as matrix, arange
 
a = arange(25).reshape(5,5)
a
 
# Out[9]:
# array([[ 0, 1, 2, 3, 4],
#    [ 5, 6, 7, 8, 9],
#    [10, 11, 12, 13, 14],
#    [15, 16, 17, 18, 19],
#    [20, 21, 22, 23, 24]])
 
a[2,3]   # 取第3行第4列的元素
 
# Out[3]: 13
 
a[0:3,3]  # 取第1到3行第4列的元素
 
# Out[4]: array([ 3, 8, 13])
 
a[:,2]   # 取所有第二列元素
 
# Out[7]: array([ 2, 7, 12, 17, 22])
 
a[0:3,:]  # 取第1到3行的所有列
 
# Out[8]:
# array([[ 0, 1, 2, 3, 4],
#    [ 5, 6, 7, 8, 9],
#    [10, 11, 12, 13, 14]])
 
a[-1]  # 取最后一行
 
# Out[10]: array([20, 21, 22, 23, 24])
 
for row in a:  # 逐行迭代
  print(row)
 
# [0 1 2 3 4]
# [5 6 7 8 9]
# [10 11 12 13 14]
# [15 16 17 18 19]
# [20 21 22 23 24]
 
for element in a.flat: # 逐元素迭代，从左到右，从上到下
  print(element)
 
# 0
# 1
# 2
# 3
?
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
# ... #######################################
# 改变矩阵
#######################################
from numpy import array as matrix, arange
 
b = arange(20).reshape(5,4)
 
b
 
# Out[18]:
# array([[ 0, 1, 2, 3],
#    [ 4, 5, 6, 7],
#    [ 8, 9, 10, 11],
#    [12, 13, 14, 15],
#    [16, 17, 18, 19]])
 
b.ravel()
 
# Out[16]:
# array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
#    17, 18, 19])
 
b.reshape(4,5)
 
# Out[17]:
# array([[ 0, 1, 2, 3, 4],
#    [ 5, 6, 7, 8, 9],
#    [10, 11, 12, 13, 14],
#    [15, 16, 17, 18, 19]])
 
b.T   # reshape 方法不改变原矩阵的值，所以需要使用 .T 来获取改变后的值
 
# Out[19]:
# array([[ 0, 4, 8, 12, 16],
#    [ 1, 5, 9, 13, 17],
#    [ 2, 6, 10, 14, 18],
#    [ 3, 7, 11, 15, 19]])
?
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
57
58
59
60
61
62
63
64
65
#######################################
# 合并矩阵
#######################################
from numpy import array as matrix,newaxis
import numpy as np
 
d1 = np.floor(10*np.random.random((2,2)))
d2 = np.floor(10*np.random.random((2,2)))
 
d1
 
# Out[7]:
# array([[1., 0.],
#    [9., 7.]])
 
d2
 
# Out[9]:
# array([[0., 0.],
#    [8., 9.]])
 
np.vstack((d1,d2)) # 按列合并
 
# Out[10]:
# array([[1., 0.],
#    [9., 7.],
#    [0., 0.],
#    [8., 9.]])
 
np.hstack((d1,d2)) # 按行合并
 
# Out[11]:
# array([[1., 0., 0., 0.],
#    [9., 7., 8., 9.]])
 
np.column_stack((d1,d2)) # 按列合并
 
# Out[13]:
# array([[1., 0., 0., 0.],
#    [9., 7., 8., 9.]])
 
c1 = np.array([11,12])
c2 = np.array([21,22])
 
np.column_stack((c1,c2))
 
# Out[14]:
# array([[11, 21],
#    [12, 22]])
 
c1[:,newaxis]  # 添加一个“空”列
 
# Out[18]:
# array([[11],
#    [12]])
 
np.hstack((c1,c2))
 
# Out[27]: array([11, 12, 21, 22])
 
np.hstack((c1[:,newaxis],c2[:,newaxis]))
 
# Out[28]:
# array([[11, 21],
#    [12, 22]])

参考

1.NumPy官方文档

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：https://www.cnblogs.com/sitemanager/p/9057195.html

  • Python
  • 矩阵
  • NumPy

    • 延伸 · 阅读

    精彩推荐
    最近更新
    编辑推荐
    阅读排行
    热门标签
    2048 　 6006 　 contextlib 　 SLOTS 　 MELIAE 　 FEEDPARSER 　 暂存 　 持久性管理 　 pickle模块 　 THREADING 　 reduce 　 nignx 　 装饰器 　 函数式编程 　 兔子毒药 　 监控文件 　 流量监控 　 Web框架 　 办公工具 　 PIL库 　 高斯模糊 　 wxPython 　 import 　 自定义模块 　 Python开发 　 元类 　 metaclass 　 魔术方法 　 DNSPod 　 动态解析域名 　
    © 2019-2023 脚本之家 | 服务器之家(www.zzvips.com)旗下站点 版权所有关于我们联系我们版权申明网站地图