python numpy 矩阵用法
2017-09-06 10:24
399 查看
http://blog.csdn.net/liangzuojiayi/article/details/51537314
1.数组转置和轴对换:数组不仅有transpose方法,还有一个特殊的T属性:
arr = np.arange(15).reshape(3,5)
[python] view
plain copy
arr
输出:
[python] view
plain copy
arr.T
输出:
2.进行矩阵计算时,经常需要用到该操作,比如利用np.dot计算矩阵内积XTX:
[python] view
plain copy
arr = np.random.randn(6,3)
arr
输出:
[python] view
plain copy
np.dot(arr.T,arr)
输出:
3.对于高维数组,transpose需要得到一个由轴编号组成的元组才能对这些轴进行转至(比较难理解):
[python] view
plain copy
arr = np.arange(16).reshape((2,2,4))
arr
输出:
[python] view
plain copy
arr.transpose((1,0,2))
输出:
提示:transpose(1,0,2)把原来的shape由(2,2,4)变成了(2,2,4),就是第一个轴和第二个轴上面的元素互换。
比如原来位置(0,1,0)上的元素为4,现在把它放到了(1,0,0)这个位置,就是下面那个位置由8变成了4,标出了红色。
4.ndarray还有一个swapaxes方法,它接受一对轴变换:
[python] view
plain copy
arr
输出:
[python] view
plain copy
arr.swapaxes(1,2)
输出:
5.通用函数sqrt、exp、maximum:
[python] view
plain copy
arr = np.arange(10)
arr
输出:
[python] view
plain copy
np.sqrt(arr)
输出:
[python] view
plain copy
np.exp(arr)
输出:
[python] view
plain copy
x = np.random.randn(8)
x
输出:
[python] view
plain copy
y = np.random.randn(8)
y
输出:
[python] view
plain copy
np.maximum(x,y) #元素级最大值
输出:
6.modf函数可以把数组分别提取出整数部分和小数部分
[python] view
plain copy
arr = np.random.randn(7)*5
arr
输出:
[python] view
plain copy
np.modf(arr)
输出:
部分一元、二元函数总结如下:
1.数组转置和轴对换:数组不仅有transpose方法,还有一个特殊的T属性:
arr = np.arange(15).reshape(3,5)
[python] view
plain copy
arr
输出:
array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])
[python] view
plain copy
arr.T
输出:
array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]])
2.进行矩阵计算时,经常需要用到该操作,比如利用np.dot计算矩阵内积XTX:
[python] view
plain copy
arr = np.random.randn(6,3)
arr
输出:
array([[-0.83790345, -1.13304154, -0.42567014], [ 0.75742538, 1.24634357, -1.00116761], [ 0.54168995, -0.83717253, -1.11580943], [-0.13315165, 0.0331654 , 0.70605975], [-2.57536154, -0.68951735, 1.16959181], [-1.26193272, -1.24703158, 0.3183666 ]])
[python] view
plain copy
np.dot(arr.T,arr)
输出:
array([[ 9.81189403, 4.78491411, -4.51395404], [ 4.78491411, 5.56963513, -1.01142215], [-4.51395404, -1.01142215, 4.39638499]])
3.对于高维数组,transpose需要得到一个由轴编号组成的元组才能对这些轴进行转至(比较难理解):
[python] view
plain copy
arr = np.arange(16).reshape((2,2,4))
arr
输出:
array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]])
[python] view
plain copy
arr.transpose((1,0,2))
输出:
array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, 7], [12, 13, 14, 15]]])
提示:transpose(1,0,2)把原来的shape由(2,2,4)变成了(2,2,4),就是第一个轴和第二个轴上面的元素互换。
比如原来位置(0,1,0)上的元素为4,现在把它放到了(1,0,0)这个位置,就是下面那个位置由8变成了4,标出了红色。
4.ndarray还有一个swapaxes方法,它接受一对轴变换:
[python] view
plain copy
arr
输出:
array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]])
[python] view
plain copy
arr.swapaxes(1,2)
输出:
array([[[ 0, 4], [ 1, 5], [ 2, 6], [ 3, 7]], [[ 8, 12], [ 9, 13], [10, 14], [11, 15]]])
5.通用函数sqrt、exp、maximum:
[python] view
plain copy
arr = np.arange(10)
arr
输出:
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
[python] view
plain copy
np.sqrt(arr)
输出:
array([ 0. , 1. , 1.41421356, 1.73205081, 2. , 2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ])
[python] view
plain copy
np.exp(arr)
输出:
array([ 1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01, 5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03, 2.98095799e+03, 8.10308393e+03])
[python] view
plain copy
x = np.random.randn(8)
x
输出:
array([-0.24726724, 0.69709717, 0.9658356 , 1.89019088, -0.28912795, -0.09235779, 0.37690775, 0.9102138 ])
[python] view
plain copy
y = np.random.randn(8)
y
输出:
array([-0.05048326, -0.02207697, -0.59940773, -1.32029941, 0.30894105, -0.05807405, -1.5019804 , 0.12918562])
[python] view
plain copy
np.maximum(x,y) #元素级最大值
输出:
array([-0.05048326, 0.69709717, 0.9658356 , 1.89019088, 0.30894105, -0.05807405, 0.37690775, 0.9102138 ])
6.modf函数可以把数组分别提取出整数部分和小数部分
[python] view
plain copy
arr = np.random.randn(7)*5
arr
输出:
array([ -1.53462646, 6.15168006, 4.32588912, -0.05408803, -2.98953481, -10.83013834, 1.13673478])
[python] view
plain copy
np.modf(arr)
输出:
(array([-0.53462646, 0.15168006, 0.32588912, -0.05408803, -0.98953481, -0.83013834, 0.13673478]), array([ -1., 6., 4., -0., -2., -10., 1.]))
部分一元、二元函数总结如下:
相关文章推荐
- Python Numpy的数组array和矩阵matrix的用法与区别
- python中numpy的矩阵、多维数组的用法
- python numpy 使用笔记 矩阵操作
- Python和numpy 中random 用法
- Python基础-numpy中矩阵增加行或列
- python中的list和numpy中的矩阵分析
- 【Python】Numpy扩充数组函数之repeat和tile用法
- python基础练习(三)—— numpy的矩阵基本操作
- Python第三方矩阵库numpy矩阵基本运算
- Python numpy生成矩阵、串联矩阵
- Python机器学习:numpy之矩阵操作命令
- Python numpy 矩阵特殊加、乘法与循环优化
- Python+numpy实现矩阵QR分解
- Python中矩阵库Numpy基本操作详解
- Python:一篇文章掌握Numpy的基本用法
- Python Numpy的数组array和矩阵matrix
- 【矩阵分解】Python下基于Numpy的四种矩阵基本分解的实现
- python: numpy-- 函数 argsort 用法
- python numpy中nonzero()的用法
- Python的numpy库中的shape用法