关于学校网站建设的请示,做p2p投资理财的网站,管廊建设网站,wordpress电商主题完成度本文主要记录的是笔者在B站自学Numpy库的学习笔记。
引入numpy库
import numpy as np矩阵的创建
创建一个二行三列的矩阵。
array np.array([[1,2,3],[2,3,4]])查看array的行数、形状、元素数量
print(number of dim:,array.ndim)
print(shape:…本文主要记录的是笔者在B站自学Numpy库的学习笔记。
引入numpy库
import numpy as np矩阵的创建
创建一个二行三列的矩阵。
array np.array([[1,2,3],[2,3,4]])查看array的行数、形状、元素数量
print(number of dim:,array.ndim)
print(shape:,array.shape)
print(size:,array.size)执行结果 其中 ndim显示的是它的行数 shape显示的是它的形状2行3列的矩阵 size显示的是它的元素数量6个 创建0矩阵
array np.zeros((4,5)) #4行5列的0矩阵执行结果 创建全1矩阵
array np.ones((4, 5),dtypeint) # 4行5列的全1矩阵并用dtype属性设置成int类型执行结果 创建有步长的一维矩阵
array np.arange(1,22,3) # [1,22)步长为3的一维矩阵执行结果 用reshape方法创建多维矩阵
array np.arange(20).reshape((4,5)) # 4行5列0~19的矩阵执行结果 创建一维序列线段
array np.linspace(10,30,6) # 一行从10到306个步长的序列线段执行结果 创建多维序列线段
array np.linspace(10, 30, 6).reshape((3,2)) # 3行2列从10到306个步长的序列线段执行结果 生成多维随机数矩阵
array np.random.random((3,5)) # 3行5列从0到1的随机数我们还可以使用numpy内置的一些方法进行数值计算比如求和、搜索最大值、走索最小值、按行求和、按列求最小值、按行求最大值等等axis1时表示横向axis0表示纵向。
np.sum(array) #将元素求和
np.min(array) # 将元素求最小值
np.max(array) # 将元素求最大值
np.sum(array,axis1) # 按行求和
np.min(array, axis0) # 按列求最小值
np.max(array, axis1) # 按行求最大值执行结果 矩阵相加
矩阵相加只需要简单的用号就可以完成。
a np.array([4,5,6,7,8])
b np.arange(5)
c ab执行结果 矩阵点乘
矩阵点乘指的是矩阵之间对应位置元素相乘。 用刚才的b矩阵点乘自身。
b b**2执行结果 c np.array([[1,1,1],[0,1,2],[2,3,4]])
d np.arange(9).reshape((3,3))
e c*d #c矩阵和d矩阵进行点乘运行结果 矩阵叉乘
矩阵叉乘就是我们在线性代数里面学的“矩阵乘法”。 叉乘使用的方法是dot()。两种写法
dot np.dot(c,d)
dot c.dot(d) 执行结果 矩阵的元素布尔判断
判断a矩阵里的元素是否比6大
a 6执行结果 一些常用的运算
例如找最大元素的索引、最小元素索引、计算平均值、计算中位数、计算逐项累加值、计算逐项差值、寻找非0元素下索引、逐行排序、矩阵转置、矩阵自叉乘、按列计算平均值、滤波操作等。
array np.arange(2, 14).reshape((3, 4))np.argmax(array) # 最大值索引
np.argmin(array) # 最小值索引
array.mean() # 计算平均值
np.average(array) # 计算平均值
np.median(array) # 计算中位数
pnp.cumsum(array) # 计算逐项累加值
np.diff(array) # 计算逐项差值
np.nonzero(array) # 给出非0元素的下标
np.sort(array) # 逐行排序
np.transpose(array) # 矩阵的转置
array.transpose() # 矩阵的转置
array.T # 矩阵的转置
(array.T).dot(array) # 矩阵转置后叉乘
np.mean(array, axis0) # 按列计算平均值
np.clip(array, 5, 9) # 滤波设置小于5的数等于5大于9的数等于9 运行结果 关于非0元素下标输出的是两个一位数组分别代表非0元素的x轴位置和y轴位置。 矩阵索引
array np.arange(0,16).reshape((4,4)) array[2] #获取第二行的所有元素
array[2][1] #获取第2行第1列的元素
array[2,1] #也可以这么写
array[:,1] #第1列所有数
array[1, 1:3] # 第1行第1列到第3列之前所有数
array.flatten() #拉平矩阵运行结果 矩阵的合并
a np.array([1,2,3])
b np.array([4,5,6])
np.vstack((a, b)) # 上下合并 v:vertical
np.hstack((a, b)) # 左右合并 h:horizontal运行结果 一维矩阵的转置
对单行序列不可以通过转置的方式得到单列的序列直接写a.T是转置不了a的。通过a.shape可以得到3,说明现在只有一个维度而转置是两个维度的事情。所以可以通过newaxis的方式添加纵向维度来达到转置的目的。
a[:,np.newaxis] #[横向维度,纵向维度]如果还要转置回来a.T可不可以达到目的呢也不可以。通过a.shape还是会得到3,说明此时a还是被看作是一维的数组。再转置回来怎么办那就通过添加横向纬度来转置
a[np.newaxis,:]运行结果 矩阵的分割
用split、vsplit、hsplit可以进行等份分割用array_split可以进行不等份分割
a np.arange(20).reshape((4, 5))
np.split(a, 5, axis1) # 分割后成横向排列也就是对列进行等分分割分割成5部分
np.split(a, 2, axis0) # 分割后成纵向排列也就是对行进行等分分割分割成2部分
#等效写法
np.vsplit(a, 2) #等份分割后成纵向
np.hsplit(a, 5) #等份分割后成横向
#不等分划分
np.array_split(a, 3, axis1) #不等份分割成4份后成横向运行结果 “成横向”的意思是分割完毕后每一组是横向摆同理“成纵向”是分割完毕后每一组是纵向摆。 浅拷贝与深拷贝
假设现在有两个矩阵array1array2。 浅拷贝的写法是array2 array1; 这种写法只是array2对array1的简单引用也就意味着对array1的属性进行修改时array2的属性也会跟着变说白了此时array2就是array1。类似于C语言的地址传递实参传递。 深拷贝的写法是array2 array1.copy(); 这种写法是将array1的所有属性及参数一并拷贝给array2但是array2并不对array1进行引用。这也就意味着array1的属性改变时不会影响array2的属性。类似于C语言的值传递形参传递
array1 np.arange(4)
os.system(cls)
print(当前array1:\n,array1,\n)
array2 array1 # 浅拷贝。类似于地址传递实参赋值
print(array2浅拷贝array1:\n,array2,\n)
array2[2] 6
print(array2[2]修改后的array2:\n,array2,\n)
print(array2[2]修改后的array1:\n,array1,\n) # array2 和 array是同一个东西
array1[1:3] [8,9]
print(array1[1:3]修改后的array1:\n,array1,\n)
print(array1[1:3]修改后的array2:\n,array2,\n) # 深拷贝
array3 array1.copy()
print(array3深拷贝array1:\n,array3,\n)
array1[0] 7
print(array1[0]修改后的array1:\n,array1,\n)
print(array1[0]修改后的array3:\n,array3,\n)运行结果 敬请批评指正。
