Python矩阵的用法(使用numpy)
转自:https://www.cnblogs.com/chamie/p/4870078.html
矩阵的维数
向量的维数是指向量分量的个数,比如 (1,2,3,4)’ 是一个4维向量
矩阵的维数是指它的行数与列数,比如
1 2 3
4 5 6
它的维数是 2*3,在数学中,矩阵的维数就是矩阵的秩
空间的维数是指它的基所含向量的个数,比如 V = {(x1,x2,0,0)’ | x1,x2 为实数},(1,0,0,0)’,(0,1,0,0)’ 是它的一个基,所以它是2维向量空间。
1.numpy的导入和使用
from numpy import *;#导入numpy的库函数
import numpy as np; #这个方式使用numpy的函数时,需要以np.开头。
2.矩阵的创建
由一维或二维数据创建矩阵
>>> from numpy import *
>>> a1=array([1,2,3])
>>> a1
array([1, 2, 3])
>>> a1=mat(a1)
>>> a1
matrix([[1, 2, 3]])
>>> shape(a1)
(1, 3)
>>> b=matrix([1,2,3])
>>> shape(b)
(1, 3)
创建常见的矩阵
>>>data1=mat(zeros((3,3))) #创建一个3*3的零矩阵,矩阵这里zeros函数的参数是一个tuple类型(3,3)
>>> data1
matrix([[ 0., 0., 0.],[ 0., 0., 0.],[ 0., 0., 0.]])
>>>data2=mat(ones((2,4))) #创建一个2*4的1矩阵,默认是浮点型的数据,如果需要时int类型,可以使用dtype=int
>>> data2
matrix([[ 1., 1., 1., 1.],[ 1., 1., 1., 1.]])
>>>data3=mat(random.rand(2,2)) #这里的random模块使用的是numpy中的random模块,random.rand(2,2)创建的是一个二维数组,需要将其转换成#matrix
>>> data3
matrix([[ 0.57341802, 0.51016034],[ 0.56438599, 0.70515605]])
>>>data4=mat(random.randint(10,size=(3,3))) #生成一个3*3的0-10之间的随机整数矩阵,如果需要指定下界则可以多加一个参数
>>> data4
matrix([[9, 5, 6],[3, 0, 4],[6, 0, 7]])
>>>data5=mat(random.randint(2,8,size=(2,5))) #产生一个2-8之间的随机整数矩阵
>>> data5
matrix([[5, 4, 6, 3, 7],[5, 3, 3, 4, 6]])
>>>data6=mat(eye(2,2,dtype=int)) #产生一个2*2的对角矩阵
>>> data6
matrix([[1, 0],[0, 1]])a1=[1,2,3]
a2=mat(diag(a1)) #生成一个对角线为1、2、3的对角矩阵
>>> a2
matrix([[1, 0, 0],[0, 2, 0],[0, 0, 3]])
3.常见的矩阵运算
矩阵相乘
>>>a1=mat([1,2]);
>>>a2=mat([[1],[2]]);
>>>a3=a1*a2 #1*2的矩阵乘以2*1的矩阵,得到1*1的矩阵
>>> a3
matrix([[5]])
矩阵点乘
矩阵对应元素相乘
>>>a1=mat([1,1]);
>>>a2=mat([2,2]);
>>>a3=multiply(a1,a2)
>>> a3
matrix([[2, 2]])
矩阵点乘
>>>a1=mat([2,2]);
>>>a2=a1*2>>>a2
matrix([[4, 4]])
矩阵求逆,转置
矩阵求逆
>>>a1=mat(eye(2,2)*0.5)
>>> a1
matrix([[ 0.5, 0. ],[ 0. , 0.5]])
>>>a2=a1.I #求矩阵matrix([[0.5,0],[0,0.5]])的逆矩阵
>>> a2
matrix([[ 2., 0.],[ 0., 2.]])
矩阵转置
>>> a1=mat([[1,1],[0,0]])
>>> a1
matrix([[1, 1],[0, 0]])
>>> a2=a1.T
>>> a2
matrix([[1, 0],[1, 0]])
计算矩阵对应行列的最大、最小值、和。
>>>a1=mat([[1,1],[2,3],[4,2]])
>>> a1
matrix([[1, 1],[2, 3],[4, 2]])
计算每一列、行的和
>>>a2=a1.sum(axis=0) #列和,这里得到的是1*2的矩阵
>>> a2
matrix([[7, 6]])
>>>a3=a1.sum(axis=1) #行和,这里得到的是3*1的矩阵
>>> a3
matrix([[2],[5],[6]])
>>>a4=sum(a1[1,:]) #计算第一行所有列的和,这里得到的是一个数值
>>> a4
5 #第0行:1+1;第2行:2+3;第3行:4+2
计算最大、最小值和索引
>>>a1.max() #计算a1矩阵中所有元素的最大值,这里得到的结果是一个数值
4
>>>a2=max(a1[:,1]) #计算第二列的最大值,这里得到的是一个1*1的矩阵
>>> a2
matrix([[3]])
>>>a1[1,:].max() #计算第二行的最大值,这里得到的是一个一个数值
3
>>>np.max(a1,0) #计算所有列的最大值,这里使用的是numpy中的max函数
matrix([[4, 3]])
>>>np.max(a1,1) #计算所有行的最大值,这里得到是一个矩阵
matrix([[1],[3],[4]])
>>>np.argmax(a1,0) #计算所有列的最大值对应在该列中的索引
matrix([[2, 1]])
>>>np.argmax(a1[1,:]) #计算第二行中最大值对应在该行的索引
1
4.矩阵的分隔和合并
矩阵的分隔,同列表和数组的分隔一致。
>>>a=mat(ones((3,3)))
>>> a
matrix([[ 1., 1., 1.],[ 1., 1., 1.],[ 1., 1., 1.]])
>>>b=a[1:,1:] #分割出第二行以后的行和第二列以后的列的所有元素
>>> b
matrix([[ 1., 1.],[ 1., 1.]])
矩阵的合并
>>>a=mat(ones((2,2)))
>>> a
matrix([[ 1., 1.],[ 1., 1.]])
>>>b=mat(eye(2))
>>> b
matrix([[ 1., 0.],[ 0., 1.]])
>>>c=vstack((a,b)) #按列合并,即增加行数
>>> c
matrix([[ 1., 1.],[ 1., 1.],[ 1., 0.],[ 0., 1.]])
>>>d=hstack((a,b)) #按行合并,即行数不变,扩展列数
>>> d
matrix([[ 1., 1., 1., 0.],[ 1., 1., 0., 1.]])
5.矩阵、列表、数组的转换
列表可以修改,并且列表中元素可以使不同类型的数据,如下:
l1=[[1],'hello',3];
numpy中数组,同一个数组中所有元素必须为同一个类型,有几个常见的属性:
>>>a=array([[2],[1]])
>>> a
array([[2],[1]])
>>>dimension=a.ndim
>>> dimension
2
>>>m,n=a.shape
>>> m
2
>>> n
1
>>>number=a.size #元素总个数
>>> number
2
>>>str=a.dtype #元素的类型
>>> str
dtype('int64')
numpy中的矩阵也有与数组常见的几个属性。
它们之间的转换:
>>>a1=[[1,2],[3,2],[5,2]] #列表
>>> a1
[[1, 2], [3, 2], [5, 2]]
>>>a2=array(a1) #将列表转换成二维数组
>>> a2
array([[1, 2],[3, 2],[5, 2]])
>>>a3=mat(a1) #将列表转化成矩阵
>>> a3
matrix([[1, 2],[3, 2],[5, 2]])
>>>a4=array(a3) #将矩阵转换成数组
>>> a4
array([[1, 2],[3, 2],[5, 2]])
>>>a41=a3.getA() #将矩阵转换成数组
>>>a41
array([[1,2][3,2][5,2]])
>>>a5=a3.tolist() #将矩阵转换成列表
>>> a5
[[1, 2], [3, 2], [5, 2]]
>>>a6=a2.tolist() #将数组转换成列表
>>> a6
[[1, 2], [3, 2], [5, 2]]
这里可以发现三者之间的转换是非常简单的,这里需要注意的是,当列表是一维的时候,将它转换成数组和矩阵后,再通过tolist()转换成列表是不相同的,需要做一些小小的修改。如下:
>>>a1=[1,2,3] #列表
>>>a2=array(a1)
>>> a2
array([1, 2, 3])
>>>a3=mat(a1)
>>> a3
matrix([[1, 2, 3]])
>>> a4=a2.tolist()
>>> a4
[1, 2, 3]
>>> a5=a3.tolist()
>>> a5
[[1, 2, 3]]
>>> a6=(a4==a5)
>>> a6
False
>>> a7=(a4 is a5[0])
>>> a7
True
矩阵转换成数值,存在以下一种情况:
>>> dataMat=mat([1])
>>> val=dataMat[0,0] #这个时候获取的就是矩阵的元素的数值,而不再是矩阵的类型
>>> val
1
6.矩阵和向量之间的转换
把矩阵转换成成向量:
>>> A = np.array([[1,2,3],[4,5,6]]) #定义2行3列的矩阵A
>>> A
array([[1, 2, 3],[4, 5, 6]])
>>> A.reshape(6,order='C') #按行转换成向量,第一个参数肯定就是矩阵元素的个数
array([1, 2, 3, 4, 5, 6])>>> A.reshape(6,order='F') #按列转换成向量
array([1, 4, 2, 5, 3, 6])
向量转成矩阵:
>>> b = np.array([6,5,4,3,2,1]) #定义向量 6,5,4,3,2,1
>>> b
array([6, 5, 4, 3, 2, 1])>>> b.reshape([3,2],order='C') #按行将向量转化成3行2列的矩阵, 前面的元组乘积应该是向量元素个数
array([[6, 5],[4, 3],[2, 1]])>>> b.reshape([3,2],order='F') #按列将向量转换成3行2列的矩阵~~
array([[6, 3],[5, 2],[4, 1]])
Python矩阵的用法(使用numpy)相关推荐
- python矩阵后加点_Python Numpy和矩阵的相关面试问题
通常,数据科学家被要求在Python中执行简单的矩阵运算,这应该很简单,但许多人会偏离正轨. 本文将介绍面试中经常出现的4个Numpy/matrix问题,并用Python编写代码. 问题1: 给定4x ...
- python矩阵变化_用numpy改变矩阵的形状
我的问题有两个方面.我有下面的代码来处理一些矩阵.在import numpy tupleList = [(0, 122), (1, 246), (2, 157), (3, 166), (4, 315) ...
- python的stack用法_Python numpy.stack函数方法的使用
numpy.stack numpy.stack(arrays, axis=0, out=None) [source] 沿着新的轴连接数组序列. axis参数在结果的维度中指定新轴的索引.例如 ...
- python矩阵的基本运算
文章目录 一.python矩阵操作 二.python矩阵乘法 三.python矩阵转置 四.python求方阵的迹 五.python方阵的行列式计算方法 六.python求逆矩阵/伴随矩阵 七. py ...
- python如何创建不同元素的矩阵_Python numpy学习(2)——矩阵的用法
Python矩阵的基本用法 mat()函数将目标数据的类型转化成矩阵(matrix) 1,mat()函数和array()函数的区别 Numpy函数库中存在两种不同的数据类型(矩阵matrix和数组ar ...
- python中的[:-1] [:,:-1] python矩阵numpy中array的冒号 逗号
如何理解[:-1] [:,:-1] data = np.loadtxt('data.csv', delimiter = ',') X = data[:,:-1] #取所有行,取列到倒数 ...
- python自带的和numpy带的all(),any() 来判断各空矩阵和零矩阵 None,以及shape
本质上讲,any()实现了或(OR)运算,而all()实现了与(AND)运算. any(iterables)和all(iterables)对于检查两个对象相等时非常实用,但是要注意,any和all是p ...
- 怎么在python中输入矩阵_如何使用NumPy在Python中实现矩阵?
矩阵被用作数学工具,在现实世界中有多种用途.在本文中,我们将按照以下顺序讨论Python中关于使用著名的NumPy库的矩阵的所有内容:什么是NumPy以及何时使用它?在NumPy 矩阵被用作数学工具, ...
- python中squeeze函数_Python numpy.squeeze()用法及代码示例
当我们要从数组形状中删除一维条目时,将使用numpy.squeeze()函数. 用法: numpy.squeeze(arr, axis=None ) 参数: arr :[数组]输入数组. axis : ...
最新文章
- 基于OpenCV的图像分割处理!
- es6 --- Reflect的静态方法
- Spring LDAP
- html 垂直线代码,html – Bootstrap 3水平和垂直分隔线
- stm32中stm32f10x_type.h(固件3.0以前)、stm32f10x.h(固件3.0以后)、stdint.h文件的关系
- cmd编译java文件中文乱码_乱码 HelloWorld 世界你好 cmd 执行输出的中文java 显示乱码 解决 另附 win无法执行编译运行javac java编译文件的解决方案...
- ueditor如何去掉末尾的p标签_织梦dedecms如何去掉域名后面的index.html
- 学习使用ADO.NET Data Services (ADO.NET 数据服务框架) - Part 1
- SQL Server 和 Oracle 的常用函数对比
- linux 创建软连接_linux删除原理
- TensorFlow by Google 实战CNN Machine Learning Foundations: Ep #4 - Coding with CNN
- GoC语言学习(C/C++程序设计语言入门)
- phpstudy 提示安装VC9 VC14等,MySQL启动失败红色小点点,解决办法。PHP VC版本下载集合
- 服务器安装julia_julia | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror...
- 如何设计艺术字体,可以从这两个方面入手
- 电脑主屏幕黑屏但有计算机硬盘显示,显示器黑屏但电脑一直在运行怎么办?显示器黑屏的详细解决方案...
- 程序员的自我修养有哪些途径
- Echarts柱状图,实现不同系列,柱体之间的部分重叠效果
- JAVA操作共享文件夹文件、下载、读取(windows、Linux通用)
- OSChina 周二乱弹 —— 掏心掏肺又掏钱,最终娶了个潘金莲
热门文章
- Failed to load resource: the server responded with a status of 500 (Internal Server Error)
- CentOS7下安装Docker-Compose
- 面向对象(继承,多态)
- Cisco 2811 IOS 升级实战
- 许昌:让便捷支付成为智慧城市新名片
- 传统排插即将淘汰,品胜智能排插率先符合新国标
- window.onload与$(document).ready()的区别
- .net面试题大全,绝大部分面试题
- vue中用的swiper轮播图的用法github的地址
- Linux (Ubuntu/deepin等)终端命令安装Lamp