python numpy用法,1.numpy和Python的关系?
本文讨论了Python中Numpy数组的类型、全0和全1数组的生成、随机数组、数组运算、矩阵的简单运算和矩阵的数学运算。
虽然可以通过在python中嵌套list来模拟矩阵，但是使用Numpy库更方便。
定义数组
将numpy作为np导入
M=np.array([[1，2，3]，[2，3，4]]) #定义矩阵，int64
m
数组([[1，2，3]，
[2, 3, 4]])
M=np.array ([[1，2，3]，[2，3，4]]，dtype=np.float) #定义矩阵，float64
m
数组([[1。 2. 3.],
[2. 3. 4.]])
Print(m.dtype) #数据类型
float64
Print(m.shape) # shape 2行3列
(2, 3)
打印(m.ndim) #尺寸
2
打印(m.size) #元素数量
六
打印(类型(m))
定义矩阵有一些特殊的方法。
M=np.zeros((2，2)) #全是0
m
数组([[0。 0.],
[0. 0.]])
Print(type(m)) #也是一个ndarray类型
M=np.ones((2，2，3)) #全1
M=np.full((3，4)，7) # all 7
Np.eye(3) #单位矩阵
数组([[1。 0. 0.],
[0. 1. 0.],
[0. 0. 1.]])
Np.arange(20)。shape(4，5) #生成一个4行5列的数组
Np.random.random((2，3)) #[0，1]随机数
数组([[0.51123127，0.40852721，0.26159126)，
[0.42450279, 0.34763668, 0.06167501]])
一个2行3列的随机整数数组
数组([[5，4，9]，
[2, 5, 7]])
正态随机分布
数组([[-0.29538656，-0.50370707，-2.05627716)，
[-1.50126655, 0.41884067, 0.67306605]])
Np.random.choice ([10，20，30)，(2，3)) #随机选择
数组([[10，20，10]，
[30, 10, 20]])
Np随机(1，10，(2，3))#分布
数组([[0.01588963，0.12635485，0.22279098)，
[0.08950147, 0.02244569, 0.00953366]])
操作数组
来自numpy import *
A1=array([1，1，1]) #定义一个数组
a2=数组([2，2，2])
A1 a2 #用于元素添加
数组([3，3，3])
A1*2 #乘以一个数字
数组([2，2，2])
##
a1=np.array([1，2，3])
第一等的
数组([1，2，3])
A1**3 #表示立方体数组中的每个数字。
数组([ 1，8，27])
# #取值。注意是从0开始的，和matlab不一样。
a1[1]
2
# #定义多维数组
a3=np.array([[1，2，3]，[4，5，6]])
a3
数组([[1，2，3]，
[4, 5, 6]])
A3[0] #取出第一行的数据
数组([1，2，3])
A3[0，0] #第一行中的第一个数据
一个
A3[0][0] #也可以这样使用
一个
a3
数组([[1，2，3]，
[4, 5, 6]])
A3.sum(axis=0) #按行相加，列不变。
数组([5，7，9])
A3.sum(axis=1) #按列相加，行不变。
数组([ 6，15])
矩阵的数学运算
在方阵上
M=np.array ([[1，2，3]，[2，2，3]，[2，3，4]]) #定义一个方阵
m
数组([[1，2，3]，
[2, 2, 3],
[2, 3, 4]])
Print(np.linalg.det(m)) #求行列式
1.0
Print(np.linalg.inv(m)) #反转
[[-1.1.0.]
[-2.-2.3.]
[ 2.1.-2.]]
Print(np.linalg.eig(m)) #特征值特征向量
(数组([ 7.66898014 0.j，-0.3344007 0.13605817j，
-0.33449007-0.13605817j])，数组([[-0.47474371 0.j，-0.35654645 0.23768904j，
-0.35654645-0.23768904j]，
[-0.53664812 0.j，0.80607696 0.j，
0.80607696-0.j ]，
[-0.6975867 0.j，-0.3895692-0.12190158j，
-0.38956192 0.12190158j]]))
y=np.array([1，2，3])
Print(np.linalg.solve(m，y)) #求解方程组
[ 1.3.-2.]
矩阵乘法
矩阵乘法：根据线性代数的乘法。
a=np.array([[1，2，3]，[2，3，4]])
b=np.array([[1，2]，[3，4]，[5，6]])
a
数组([[1，2，3]，
[2, 3, 4]])
b
数组([[1，2]，
[3, 4],
[5, 6]])
方法1
数组([[22，28]，
[31, 40]])
Np.matmul(a，b) #方法2
数组([[22，28]，
注意：在一维数组之间操作时，点()表示内积。
点乘：将相应的位置相乘。
a=np.array([[1，2]，[3，4]])
b=np.array([[1，1]，[2，2]])
a
数组([[1，2]，
[3, 4]])
b
数组([[1，1]，
[2, 2]])
A * b #方法1
数组([[1，2]，
[6, 8]])
Np .乘法(a，b) #方法2
数组([[1，2]，
[6, 8]])
这就是本文的全部内容。希望对大家的学习有帮助，也希望大家多多支持剧本之家。
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。