python矩阵取值,python获取矩阵中元素

  python矩阵取值,python获取矩阵中元素

  1.初始化两个矩阵

  将numpy作为np导入

  a=np.array([11,22,33,44,55,66])

  b=np.arange(6)

  打印(一份)

  打印(b)

  #输出

  [11 22 33 44 55 66]

  [0 1 2 3 4 5]

  上面代码中的a和B是两个属性为array即matrix的变量,都是1行6列的矩阵,其中B矩阵中的元素分别是从0到5。

  2.矩阵加法

  c=a b

  打印(c)

  #输出

  [11 23 35 47 59 71]

  3.矩阵减法

  d=a - b

  打印(d)

  #输出

  [11 21 31 41 51 61]

  4.矩阵乘法

  e=a * b

  打印(e)

  #输出

  [ 0 22 66 132 220 330]

  5.矩阵的力量

  f=a**2

  打印(f)

  #输出

  [ 121 484 1089 1936 3025 4356]

  6.矩阵的三角函数

  g=2*np.sin(a)

  打印(g)

  h=2*np.cos(a)

  打印(h)

  #输出

  [-1.99998041 -0.01770262 1.99982372 0.03540385 -1.99951035 -0.05310231]

  [ 0.0088514 -1.99992165 -0.02655349 1.99968662 0.04425351 -1.99929491]

  7.矩阵的逻辑运算

  打印(a 50)

  打印(a==44)

  #输出

  [真实真实真实虚假虚假]

  [假假假真假假]

  8.二维矩阵计算

  以上操作都是基于一维矩阵,即只有一行的矩阵。如果要对多行多维矩阵进行操作,可以在上面做一些改动。

  a=np.array([[11,22,33],[44,55,66]])

  b=np.arange(6)。整形((3,2))

  打印(一份)

  打印(b)

  #输出

  [[11 22 33]

  [44 55 66]]

  [[0 1]

  [2 3]

  [4 5]]

  此时构造的矩阵A和B为2行3列,其中整形操作重构矩阵的形状,重构的形状为括号中给出的数字。略有不同,Numpy中的矩阵乘法有两种,一种是上一篇文章中对应元素的乘法,另一种是标准的矩阵乘法运算,即对应的行乘以对应的列得到对应的元素。

  c_dot=np.dot(a,b)

  打印(c点)

  点=a .点(b)

  打印(点号)

  #输出

  [[176 242]

  [374 539]]

  [[176 242]

  [374 539]]

  9.sum()、min()和max()的使用

  将numpy作为np导入

  a=np.random.random((3,5))

  打印(一份)

  #输出

  [[0.94004266 0.06821417 0.53298969 0.37368218 0.98274263]

  [0.22059055 0.9521291 0.12160635 0.50142968 0.08024663]

  [0.6041042 0.41411029 0.84898433 0.73680101 0.92060592]]

  以上数字是随机生成的,所以你的结果可能会有所不同。第二行对A的操作是在A中生成一个3行5列的矩阵,每个元素是一个从0到1的随机数。

  sum=np.sum(a)

  打印(总和)

  min=np.min(a)

  打印(分钟)

  max=np.max(a)

  打印(最大)

  #输出

  8.298279370480403

  0.06821416737474717

  0.982742627864798

  对应就是对矩阵中所有元素求和,求最小值,求最大值的运算。相应的值可以通过print()函数打印和检查。

  10.行和列的查找操作

  如果需要查找行或列,需要在上面的代码中给axis赋值。当axis的值为0时,列将被用作搜索单元,当axis的值为1时,行将被用作搜索单元。

  sum_hang=np.sum(a,轴=1)

  打印(合计_挂起)

  min_lie=np.min(a,轴=0)

  打印(min_lie)

  max_hang=np.max(a,轴=1)

  打印(max_hang)

  #输出

  [2.89767132 1.87600231 3.52460575]

  [0.22059055 0.06821417 0.12160635 0.37368218 0.08024663]

  [0.98274263 0.9521291 0.92060592]

  11.最大值和最小值索引

  在日常使用中,对应元素的索引也很重要。其中,argmin()和argmax()分别对应矩阵中最小和最大元素的索引。

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  print(np.argmin(A))

  print(np.argmax(A))

  12.平均值、平均值和中值

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  print(名词平均)

  打印(np.average(A))

  Print(A.mean()) #这个方法也可以。类似地,内积

  打印(np.median(A))

  13.积累,积累差异。

  类似于matlab中的cumsum()累加函数,Numpy也有cumsum()函数。

  在cumsum()函数中:每一个生成的矩阵元素都是从原矩阵的第一项累加到对应项的元素之和。

  [注意diff()函数计算每一行中最后一项和前一项之间的差值。所以四行五列的矩阵就是四行四列的矩阵。

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  print(np.cumsum(A))

  打印(np.diff(A))

  14.整理

  我们可以像列表一样对所有元素进行排序,但是这里的排序函数仍然只能对每一行从小到大进行排序。

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  打印(np.sort(A))

  15.调换

  矩阵转置有两种表现形式:

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  print(名词转置)

  印刷

  clip()函数

  这个函数的格式是clip(Array,Array_min,Array_max)。顾名思义,Array指的是要执行的矩阵,函数使用下面的最小值和最大值来判断矩阵中是否存在小于最小值或大于最大值的元素,并将这些指定的元素转换成最小值或最大值。

  A=np.array([[11,22,33,44,55],[55,44,33,22,11],[0,22,44,66,88],[11,33,55,77,99])

  打印(一份)

  Print(np.clip(A,44,77)) #小于44的都是44,大于77的都是77,其他都是复制。

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: