python数组和矩阵使用总结

蔚落 2022-07-14 09:51 262阅读 0赞

# 1、数组和矩阵常见用法 #

Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包，需要导入numpy。SciPy包以NumPy包为基础，大大的扩展了numpy的能力。为了使用的方便，scipy包在最外层名字空间中包括了所有的numpy内容，因此只要导入了scipy，不必在单独导入numpy了！但是为了明确哪些是numpy中实现的，哪些是scipy中实现的，本文还是进行了区分。以下默认已经：import numpy as np 以及 impor scipy as sp

numpy的基本类型是多为数组，把matrix看做是array的子类。

**1.建立矩阵**

a1=np.array(\[1,2,3\],dtype=int)  \#建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。

a2=np.array(\[\[1,2,3\],\[2,3,4\]\])  \#建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。

同样，numpy中也有很多内置的特殊矩阵：

b1=np.zeros((2,3))  \#生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有**ones()**建立全1矩阵。**empty()**建立一个空矩阵，使用内存中的随机值来填充这个矩阵。

b2=identity(n)  \#建立n\*n的单位阵，这只能是一个方阵。

b3=eye(N,M=None,k=0)  \#建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。

此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有**zeros\_like()、empty\_like()、ones\_like()，**它们的参数均为如此形式：zeros\_like(a,dtype=)，其中，a是一个已知的数组。

c1=np.arange(2,3,0.1)  \#起点，终点，步长值。含起点值，不含终点值。

c2=np.linspace(1,4,10)  \#起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数

d1=np.linalg.companion(a)  \#伴随矩阵

d2=np.linalg.triu()/tril()  \#作用同MATLAB中的同名函数

e1=np.random.rand(3,2)  \#产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数

fliplr()/flipud()/rot90()  \#功能类似MATLAB同名函数。

xx=np.roll(x,2)  \#roll()是循环移位函数。此调用表示向右循环移动2位。

**2.数组的特征信息**

先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了Python面向对象的特征。

X.flags  \#数组的存储情况信息。

X.shape  \#结果是一个tuple，返回本数组的行数、列数、……

X.ndim  \#数组的维数，结果是一个数

X.size  \#数组中元素的数量

X.itemsize  \#数组中的数据项的所占内存空间大小

X.dtype  \#数据类型

X.T  \#如果X是矩阵，发挥的是X的转置矩阵

X.trace()  \#计算X的迹

np.linalg.det(a)  \#返回的是矩阵a的行列式

np.linalg.norm(a,ord=None)  \#计算矩阵a的范数

np.linalg.eig(a)  \#矩阵a的特征值和特征向量

np.linalg.cond(a,p=None)  \#矩阵a的条件数

np.linalg.inv(a)  \#矩阵a的逆矩阵

**3.矩阵分解**

常见的矩阵分解函数，numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法为了方便计算或者针对不同的特殊情况，还给出了多种调用形式，以便得到最佳结果。

**4.矩阵运算**

np.dot(a,b)用来计算数组的点积；vdot(a,b)专门计算矢量的点积，和dot()的区别在于对complex数据类型的处理不一样；innner(a,b)用来计算内积；outer(a,b)计算外积。

专门处理矩阵的数学函数在numpy的子包linalg中定义。比如np.linalg.logm(A)计算矩阵A的对数。可见，这个处理和MATLAB是类似的，使用一个m后缀表示是矩阵的运算。在这个空间内可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常规exp()对应有三种矩阵形式：expm()使用Pade近似算法、expm2()使用特征值分析算法、expm3()使用泰勒级数算法。在numpy中，也有一个计算矩阵的函数：funm(A,func)。

**5.索引**

numpy中的数组索引形式和Python是一致的。如：

x=np.arange(10)

print x\[2\]  \#单个元素，从前往后正向索引。注意下标是从0开始的。

print x\[-2\]  \#从后往前索引。最后一个元素的下标是-1

print x\[2:5\]  \#多个元素，左闭右开，默认步长值是1

print x\[:-7\]  \#多个元素，从后向前，制定了结束的位置，使用默认步长值

print x\[1:7:2\]  \#指定步长值

x.shape=(2,5)  \#x的**shape**属性被重新赋值，要求就是元素个数不变。2\*5=10

print x\[1,3\]  \#二维数组索引单个元素，第2行第4列的那个元素

print x\[0\]  \#第一行所有的元素

y=np.arange(35).reshape(5,7)  \#**reshape()**函数用于改变数组的维度

print y\[1:5:2,::2\]  \#选择二维数组中的某些符合条件的元素

# 2、数组和矩阵的区别： #

参考[http://blog.csdn.net/vincentlipan/article/details/20717163][http_blog.csdn.net_vincentlipan_article_details_20717163]

Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。

在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a\*b，就是矩阵积。

import numpy 
       
        as
       
        np a
       
        =
       
        np.mat(
       
        '
       
        4 3; 2 1
       
        '
       
        ) b
       
        =
       
        np.mat(
       
        '
       
        1 2; 3 4
       
        '
       
        ) print(a) # [[
       
        4
       
        
       
        3
       
        ] # [
       
        2
       
        
       
        1
       
        ]] print(b) # [[
       
        1
       
        
       
        2
       
        ] # [
       
        3
       
        
       
        4
       
        ]] print(a
       
        *
       
        b) # [[
       
        13
       
        
       
        20
       
        ] # [ 
       
        5
       
        
       
        8
       
        ]]

matrix 和 array 都可以通过objects后面加.T 得到其转置。但是 matrix objects 还可以在后面加 .H f得到共轭矩阵, 加 .I 得到逆矩阵。

相反的是在numpy里面arrays遵从逐个元素的运算，所以array：c 和d的c\*d运算相当于matlab里面的c.\*d运算。

c
       
        =
       
        np.array([[
       
        4
       
        , 
       
        3
       
        ], [
       
        2
       
        , 
       
        1
       
        ]]) d
       
        =
       
        np.array([[
       
        1
       
        , 
       
        2
       
        ], [
       
        3
       
        , 
       
        4
       
        ]]) print(c
       
        *
       
        d) # [[
       
        4
       
        
       
        6
       
        ] # [
       
        6
       
        
       
        4
       
        ]]

而矩阵相乘，则需要numpy里面的dot命令 :

print(np.dot(c,d)) # [[
       
        13
       
        
       
        20
       
        ] # [ 
       
        5
       
        
       
        8
       
        ]]
       
        **
       
        运算符的作用也不一样 ： print(a
       
        **
       
        2
       
        ) # [[
       
        22
       
        
       
        15
       
        ] # [
       
        10
       
        
       
        7
       
        ]] print(c
       
        **
       
        2
       
        ) # [[
       
        16
       
        
       
        9
       
        ] # [ 
       
        4
       
        
       
        1
       
        ]]

因为a是个matrix，所以a\*\*2返回的是a\*a，相当于矩阵相乘。而c是array，c\*\*2相当于，c中的元素逐个求平方。

问题就出来了，如果一个程序里面既有matrix 又有array，会让人脑袋大。但是如果只用array，你不仅可以实现matrix所有的功能，还减少了编程和阅读的麻烦。

当然你可以通过下面的两条命令轻松的实现两者之间的转换：np.asmatrix和np.asarray

对我来说，numpy 中的array与numpy中的matrix，matlab中的matrix的最大的不同是，在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。例如下面求平均值的运算

>>>
       
        m 
       
        =
       
        np.mat([[
       
        1
       
        ,
       
        2
       
        ],[
       
        2
       
        ,
       
        3
       
        ]]) 
       
        >>>
       
        m matrix([[
       
        1
       
        , 
       
        2
       
        ], [
       
        2
       
        , 
       
        3
       
        ]]) 
       
        >>>
       
        mm 
       
        =
       
        m.mean(
       
        1
       
        ) 
       
        >>>
       
        mm matrix([[ 
       
        1.5
       
        ], [ 
       
        2.5
       
        ]]) 
       
        >>>
       
        mm.shape (
       
        2
       
        , 
       
        1
       
        ) 
       
        >>>
       
        m 
       
        -
       
        mm matrix([[
       
        -
       
        0.5
       
        , 
       
        0.5
       
        ], [
       
        -
       
        0.5
       
        , 
       
        0.5
       
        ]])对array 来说 
       
        >>>
       
        a 
       
        =
       
        np.array([[
       
        1
       
        ,
       
        2
       
        ],[
       
        2
       
        ,
       
        3
       
        ]]) 
       
        >>>
       
        a array([[
       
        1
       
        , 
       
        2
       
        ], [
       
        2
       
        , 
       
        3
       
        ]]) 
       
        >>>
       
        am 
       
        =
       
        a.mean(
       
        1
       
        ) 
       
        >>>
       
        am.shape (
       
        2
       
        ,) 
       
        >>>
       
        am array([ 
       
        1.5
       
        , 
       
        2.5
       
        ]) 
       
        >>>
       
        a 
       
        -
       
        am #wrong array([[
       
        -
       
        0.5
       
        , 
       
        -
       
        0.5
       
        ], [ 
       
        0.5
       
        , 
       
        0.5
       
        ]]) 
       
        >>>
       
        a 
       
        -
       
        am[:, np.newaxis] #right array([[
       
        -
       
        0.5
       
        , 
       
        0.5
       
        ], [
       
        -
       
        0.5
       
        , 
       
        0.5
       
        ]])

# 3、参考网站 #

numpy相关学习指南：[https://github.com/rougier/numpy-tutorial][https_github.com_rougier_numpy-tutorial]

数组矩阵区别  [ http://blog.csdn.net/vincentlipan/article/details/20717163][http_blog.csdn.net_vincentlipan_article_details_20717163]

科学计算：Python VS. MATLAB(3)----线性代数基础   [ http://blog.sina.com.cn/s/blog\_5f234d4701012p64.html][http_blog.sina.com.cn_s_blog_5f234d4701012p64.html]

[http_blog.csdn.net_vincentlipan_article_details_20717163]: http://blog.csdn.net/vincentlipan/article/details/20717163
[https_github.com_rougier_numpy-tutorial]: https://github.com/rougier/numpy-tutorial
[http_blog.sina.com.cn_s_blog_5f234d4701012p64.html]: http://blog.sina.com.cn/s/blog_5f234d4701012p64.html