1.建立矩陣

a1=np.array([1,2,3],dtype=int)???#建立一個一維數(shù)組，數(shù)據(jù)類型是int。也可以不指定數(shù)據(jù)類型，使用默認(rèn)。幾乎所有的數(shù)組建立函數(shù)都可以指定數(shù)據(jù)類型，即dtype的取值。

a2=np.array([[1,2,3],[2,3,4]])???#建立一個二維數(shù)組。此處和MATLAB的二維數(shù)組（矩陣）的建立有很大差別。

同樣，numpy中也有很多內(nèi)置的特殊矩陣：

b1=np.zeros((2,3))????#生成一個2行3列的全0矩陣。注意，參數(shù)是一個tuple：(2,3)，所以有兩個括號。完整的形式為：zeros(shape,dtype=)。相同的結(jié)構(gòu)，有ones()建立全1矩陣。empty()建立一個空矩陣，使用內(nèi)存中的隨機值來填充這個矩陣。

b2=identity(n)???#建立n*n的單位陣，這只能是一個方陣。

b3=eye(N,M=None,k=0)????#建立一個對角線是1其余值為0的矩陣，用k指定對角線的位置。M默認(rèn)None。

此外，numpy中還提供了幾個like函數(shù)，即按照某一個已知的數(shù)組的規(guī)模（幾行幾列）建立同樣規(guī)模的特殊數(shù)組。這樣的函數(shù)有zeros_like()、empty_like()、ones_like()，它們的參數(shù)均為如此形式：zeros_like(a,dtype=)，其中，a是一個已知的數(shù)組。

c1=np.arange(2,3,0.1)???#起點，終點，步長值。含起點值，不含終點值。

c2=np.linspace(1,4,10)????#起點，終點，區(qū)間內(nèi)點數(shù)。起點終點均包括在內(nèi)。同理，有l(wèi)ogspace()函數(shù)

d1=np.linalg.companion(a)????#伴隨矩陣

d2=np.linalg.triu()/tril()???#作用同MATLAB中的同名函數(shù)

e1=np.random.rand(3,2)????#產(chǎn)生一個3行2列的隨機數(shù)組。同一空間下，有randn()/randint()等多個隨機函數(shù)

fliplr()/flipud()/rot90()????#功能類似MATLAB同名函數(shù)。

xx=np.roll(x,2)???#roll()是循環(huán)移位函數(shù)。此調(diào)用表示向右循環(huán)移動2位。

2.數(shù)組的特征信息

先假設(shè)已經(jīng)存在一個N維數(shù)組X了，那么可以得到X的一些屬性，這些屬性可以在輸入X和一個.之后，按tab鍵查看提示。這里明顯看到了Python面向?qū)ο蟮奶卣鳌?/span>

X.flags????#數(shù)組的存儲情況信息。

X.shape????#結(jié)果是一個tuple，返回本數(shù)組的行數(shù)、列數(shù)、……

X.ndim???#數(shù)組的維數(shù)，結(jié)果是一個數(shù)

X.size????#數(shù)組中元素的數(shù)量

X.itemsize????#數(shù)組中的數(shù)據(jù)項的所占內(nèi)存空間大小

X.dtype????#數(shù)據(jù)類型

X.T???#如果X是矩陣，發(fā)揮的是X的轉(zhuǎn)置矩陣

X.trace()????#計算X的跡

np.linalg.det(a)???#返回的是矩陣a的行列式

np.linalg.norm(a,ord=None)????#計算矩陣a的范數(shù)

np.linalg.eig(a)????#矩陣a的特征值和特征向量

np.linalg.cond(a,p=None)????#矩陣a的條件數(shù)

np.linalg.inv(a)????#矩陣a的逆矩陣

np.linalg.pinv(a)????#矩陣a的偽逆矩陣

3.矩陣分解

常見的矩陣分解函數(shù)，numpy.linalg均已經(jīng)提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法為了方便計算或者針對不同的特殊情況，還給出了多種調(diào)用形式，以便得到最佳結(jié)果。

4.矩陣運算

np.dot(a,b)用來計算數(shù)組的點積；vdot(a,b)專門計算矢量的點積，和dot()的區(qū)別在于對complex數(shù)據(jù)類型的處理不一樣；innner(a,b)用來計算內(nèi)積；outer(a,b)計算外積。

專門處理矩陣的數(shù)學(xué)函數(shù)在numpy的子包linalg中定義。比如np.linalg.logm(A)計算矩陣A的對數(shù)。可見，這個處理和MATLAB是類似的，使用一個m后綴表示是矩陣的運算。在這個空間內(nèi)可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常規(guī)exp()對應(yīng)有三種矩陣形式：expm()使用Pade近似算法、expm2()使用特征值分析算法、expm3()使用泰勒級數(shù)算法。在numpy中，也有一個計算矩陣的函數(shù)：funm(A,func)。

5.索引

numpy中的數(shù)組索引形式和Python是一致的。如：

x=np.arange(10)

print x[2]????#單個元素，從前往后正向索引。注意下標(biāo)是從0開始的。

print x[-2]????#從后往前索引。最后一個元素的下標(biāo)是-1

print x[2:5]????#多個元素，左閉右開，默認(rèn)步長值是1

print x[:-7]????#多個元素，從后向前，制定了結(jié)束的位置，使用默認(rèn)步長值

print x[1:7:2]???#指定步長值

x.shape=(2,5)????#x的shape屬性被重新賦值，要求就是元素個數(shù)不變。2*5=10

print x[1,3]????#二維數(shù)組索引單個元素，第2行第4列的那個元素

print x[0]???#第一行所有的元素

y=np.arange(35).reshape(5,7)????#reshape()函數(shù)用于改變數(shù)組的維度

print y[1:5:2,::2]????#選擇二維數(shù)組中的某些符合條件的元素

總結(jié)

以上是生活随笔為你收集整理的python numpy使用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。