Numpy Basic Operation 1   2017-12-25


numpy 矩阵的基本运算,加减乘除、数学函数、最大最小值、axis 查找 等

numpy 生成矩阵

import numpy as np
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
b=np.arange(4) # array([0, 1, 2, 3])
b
array([0, 1, 2, 3])

numpy 加减乘除

上述代码中的 ab 是两个属性为 array 也就是矩阵的变量,而且二者都是1行4列的矩阵, 其中b矩阵中的元素分别是从0到3。

c=a-b  # array([10, 19, 28, 37])
print(c)
c=a+b # array([10, 21, 32, 43])
print(c)
c=a*b # array([ 0, 20, 60, 120])
print(c)

c=b**2 # array([0, 1, 4, 9])
print(c)
[10 19 28 37]
[10 21 32 43]
[  0  20  60 120]
[0 1 4 9]

numpy 数学函数

numpy 三角函数等,当我们需要对矩阵中每一项元素进行函数运算时,可以很简便的调用它们(以sin函数为例):

c=10*np.sin(a)  
# array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
print(c)
[-5.44021111  9.12945251 -9.88031624  7.4511316 ]
print(b<3)  
# array([ True, True, True, False], dtype=bool)
[ True  True  True False]

上述运算均是建立在一维矩阵,即只有一行的矩阵上面的计算,如果我们想要对多行多维度的矩阵进行操作,需要对开始的脚本进行一些修改:

a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))

print(a)
# array([[1, 1],
# [0, 1]])

print(b)
# array([[0, 1],
# [2, 3]])

print(b > 2)
[[1 1]
 [0 1]]
[[0 1]
 [2 3]]
[[False False]
 [False  True]]

numpy 两种矩阵乘法

此时构造出来的矩阵a和b便是2行2列的,其中 reshape 操作是对矩阵的形状进行重构, 其重构的形状便是括号中给出的数字。 稍显不同的是,Numpy 中的矩阵乘法分为两种, 其一是前文中的对应元素相乘,其二是标准的矩阵乘法运算,即对应行乘对应列得到相应元素:

print(a)
print(b)

c_dot = np.dot(a,b)
# array([[2, 4],
# [2, 3]])
print("========")
print(c_dot)
[[1 1]
 [0 1]]
[[0 1]
 [2 3]]
========
[[2 4]
 [2 3]]

除此之外还有另外的一种关于dot的表示方法,即:

c_dot_2 = a.dot(b)
# array([[2, 4],
# [2, 3]])

sum(), min(), max()

下面我们将重新定义一个脚本, 来看看关于 sum(), min(), max() 的使用:

import numpy as np
a=np.random.random((2,4))
print(a)
# array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
# [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
[[ 0.38281924  0.40654978  0.69744113  0.90707595]
 [ 0.40572074  0.652105    0.24226191  0.95931459]]

因为是随机生成数字, 所以你的结果可能会不一样. 在第二行中对a的操作是令a中生成一个2行4列的矩阵,且每一元素均是来自从0到1的随机数。 在这个随机生成的矩阵中,我们可以对元素进行求和以及寻找极值的操作,具体如下:

np.sum(a)   # 4.6532883360785817
np.min(a) # 0.24226191007863129
np.max(a) # 0.95931458707579575
0.95931458707579575

axis 进行赋值

对应的便是对矩阵中所有元素进行求和,寻找最小值,寻找最大值的操作。 可以通过print()函数对相应值进行打印检验。

如果你需要对行或者列进行查找运算,就需要在上述代码中为 axis 进行赋值。

当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。

为了更加清晰,在刚才的例子中我们继续进行查找:

print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]

print("sum =",np.sum(a,axis=1))
# sum = [ 1.96877324 2.43558896]

print("min =",np.min(a,axis=0))
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]

print("max =",np.max(a,axis=1))
# max = [ 0.84869417 0.9043845 ]
a = [[ 0.38281924  0.40654978  0.69744113  0.90707595]
 [ 0.40572074  0.652105    0.24226191  0.95931459]]
sum = [ 2.3938861   2.25940224]
min = [ 0.38281924  0.40654978  0.24226191  0.90707595]
max = [ 0.90707595  0.95931459]

Reference


分享到:


  如果您觉得这篇文章对您的学习很有帮助, 请您也分享它, 让它能再次帮助到更多的需要学习的人. 您的支持将鼓励我继续创作 !
本文基于署名4.0国际许可协议发布,转载请保留本文署名和文章链接。 如您有任何授权方面的协商,请邮件联系我。

Contents

  1. numpy 生成矩阵
  2. numpy 加减乘除
  3. numpy 数学函数
  4. print 函数进行逻辑判断
  5. numpy 两种矩阵乘法
  6. sum(), min(), max()
  7. axis 进行赋值
  8. Reference