NumPy是一个关于矩阵运算的库,熟悉Matlab的都应该清楚,这个库就是让python能够进行矩阵话的操作,而不用去写循环操作。

下面对numpy中的操作进行总结。

numpy包含两种基本的数据类型:数组和矩阵。

数组(Arrays)

> from numpy import *
> a1=array([1,1,1]) #定义一个数组
> a2=array([2,2,2])
> a1+a2    #对于元素相加
array([3, 3, 3])
> a1*2     #乘一个数
array([2, 2, 2])

##
> a1=array([1,2,3])
> a1
array([1, 2, 3])
> a1**3    #表示对数组中的每个数做平方
array([ 1, 8, 27])
##取值,注意的是它是以0为开始坐标,不matlab不同
> a1[1]
2

##定义多维数组
> a3=array([[1,2,3],[4,5,6]])
> a3
array([[1, 2, 3],
  [4, 5, 6]])
> a3[0]    #取出第一行的数据
array([1, 2, 3])
> a3[0,0]   #第一行第一个数据
1
> a3[0][0]   #也可用这种方式
1
##数组点乘,相当于matlab点乘操作
> a1=array([1,2,3])
> a2=array([4,5,6])
> a1*a2
array([ 4, 10, 18])

Numpy有许多的创建数组的函数:

import numpy as np

a = np.zeros((2,2)) # Create an array of all zeros
print a    # Prints "[[ 0. 0.]
      #   [ 0. 0.]]"

b = np.ones((1,2)) # Create an array of all ones
print b    # Prints "[[ 1. 1.]]"

c = np.full((2,2), 7) # Create a constant array
print c    # Prints "[[ 7. 7.]
      #   [ 7. 7.]]"

d = np.eye(2)  # Create a 2x2 identity matrix
print d    # Prints "[[ 1. 0.]
      #   [ 0. 1.]]"

e = np.random.random((2,2)) # Create an array filled with random values
print e      # Might print "[[ 0.91940167 0.08143941]
       #    [ 0.68744134 0.87236687]]"

数组索引(Array indexing)

矩阵

矩阵的操作与Matlab语言有很多的相关性。

#创建矩阵
> m=mat([1,2,3])
> m
matrix([[1, 2, 3]])

#取值
> m[0]    #取一行
matrix([[1, 2, 3]])
> m[0,1]    #第一行,第2个数据
2
> m[0][1]    #注意不能像数组那样取值了
Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
 File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__
 out = N.ndarray.__getitem__(self, index)
IndexError: index 1 is out of bounds for axis 0 with size 1

#将Python的列表转换成NumPy的矩阵
> list=[1,2,3]
> mat(list)
matrix([[1, 2, 3]])

#矩阵相乘
> m1=mat([1,2,3])  #1行3列
> m2=mat([4,5,6]) 
> m1*m2.T    #注意左列与右行相等 m2.T为转置操作
matrix([[32]])  
> multiply(m1,m2)  #执行点乘操作,要使用函数,特别注意
matrix([[ 4, 10, 18]]) 

#排序
> m=mat([[2,5,1],[4,6,2]]) #创建2行3列矩阵
> m
matrix([[2, 5, 1],
  [4, 6, 2]])
> m.sort()     #对每一行进行排序
> m
matrix([[1, 2, 5],
  [2, 4, 6]])

> m.shape      #获得矩阵的行列数
(2, 3)
> m.shape[0]     #获得矩阵的行数
2
> m.shape[1]     #获得矩阵的列数
3

#索引取值
> m[1,:]      #取得第一行的所有元素
matrix([[2, 4, 6]])
> m[1,0:1]     #第一行第0个元素,注意左闭右开
matrix([[2]])
> m[1,0:3]
matrix([[2, 4, 6]])
> m[1,0:2]
matrix([[2, 4]])

扩展矩阵函数tile()

例如,要计算[0,0,0]到一个多维矩阵中每个点的距离,则要将[0,0,0]进行扩展。

tile(inX, (i,j)) ;i是扩展个数,j是扩展长度
实例如下:

>x=mat([0,0,0])
> x
matrix([[0, 0, 0]])
> tile(x,(3,1))   #即将x扩展3个,j=1,表示其列数不变
matrix([[0, 0, 0],
  [0, 0, 0],
  [0, 0, 0]])
> tile(x,(2,2))   #x扩展2次,j=2,横向扩展
matrix([[0, 0, 0, 0, 0, 0],
  [0, 0, 0, 0, 0, 0]])



以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

风云阁资源网 Design By www.bgabc.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
风云阁资源网 Design By www.bgabc.com

RTX 5090要首发 性能要翻倍!三星展示GDDR7显存

三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。

首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。

据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。