|
本文摘自《用Python做科學計算》，版權歸原作者所有。 1. NumPy-快速處理數據--ndarray對象--數組的創(chuàng)建和存取 2. NumPy-快速處理數據--ndarray對象--多維數組的存取、結構體數組存取、內存對齊、Numpy內存結構 3. NumPy-快速處理數據--ufunc運算--廣播--ufunc方法 接下來介紹矩陣運算 Numpy默認不使用矩陣運算，如果希望對數組進行矩陣運算的話需要調用相應的函數 matrix 對象 numpy庫提供了matrix類，使用matrix類創(chuàng)建的是矩陣對象，它們的加減乘除運算缺省采用矩陣方式計算，因此用法和matlab十分類似。但是由于NumPy中同時存在ndarray和matrix對象，因此用戶很容易將兩者弄混。這有違Python的“顯式優(yōu)于隱式”的原則，因此并不推薦在較復雜的程序中使用matrix。下面是使用matrix的一個例子：  1 >>> import numpy as np 2 >>> a = np.matrix([[1,2,3],[5,5,6],[7,9,9]]) 3 >>> a**-1 # a 的逆矩陣 4 matrix([[-0.6 , 0.6 , -0.2 ], 5 [-0.2 , -0.8 , 0.6 ], 6 [ 0.66666667, 0.33333333, -0.33333333]]) 7 >>> a * a**-1 # a與a的逆矩陣的乘積，結果是單位陣 8 matrix([[ 1.00000000e+00, 0.00000000e+00, 0.00000000e+00], 9 [ 4.44089210e-16, 1.00000000e+00, 4.44089210e-16], 10 [ 0.00000000e+00, -4.44089210e-16, 1.00000000e+00]]) 如果不使用matrix 對象，而把二維數組看作是矩陣的話，就需要使用dot函數進行計算。對于二維數組，它計算的是矩陣乘積，對于一維數組，它計算的是其點積。當需要將一維數組當作列矢量或者行矢量進行矩陣運算時，推薦先使用reshape或者shape函數將一維數組轉換為二維數組： 1 >>> a = np.array([1, 2, 3]) 2 >>> a.shape#a是一維數組 3 (3,) 4 >>> a.shape = (-1, 1)#使用shape直接修改a的維數 5 >>> a 6 array([[1], 7 [2], 8 [3]]) 9 >>> a.reshape(1, -1) #使用reshape也可以，但是他的返回值改變a的shape，而a本身不變 10 array([[1, 2, 3]]) 11 >>> a 12 array([[1], 13 [2], 14 [3]])
dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m]) 兩個三維數組相乘 1 >>> a = np.arange(12).reshape(2,3,2) 2 >>> a 3 array([[[ 0, 1], 4 [ 2, 3], 5 [ 4, 5]], 6 7 [[ 6, 7], 8 [ 8, 9], 9 [10, 11]]]) 10 >>> b = np.arange(12,24).reshape(2,2,3) 11 >>> b 12 array([[[12, 13, 14], 13 [15, 16, 17]], 14 15 [[18, 19, 20], 16 [21, 22, 23]]]) 17 >>> c = np.dot(a,b) 18 >>> c 19 array([[[[ 15, 16, 17], 20 [ 21, 22, 23]], 21 22 [[ 69, 74, 79], 23 [ 99, 104, 109]], 24 25 [[123, 132, 141], 26 [177, 186, 195]]], 27 28 29 [[[177, 190, 203], 30 [255, 268, 281]], 31 32 [[231, 248, 265], 33 [333, 350, 367]], 34 35 [[285, 306, 327], 36 [411, 432, 453]]]]) 37 >>> c.shape 38 (2, 3, 2, 3) dot乘積的結果c可以看做是數組a, b的多個子矩陣的乘積： 1 >>> np.alltrue( c[0,:,0,:] == np.dot(a[0],b[0]) ) 2 True 3 >>> np.alltrue( c[1,:,0,:] == np.dot(a[1],b[0]) ) 4 True 5 >>> np.alltrue( c[0,:,1,:] == np.dot(a[0],b[1]) ) 6 True 7 >>> np.alltrue( c[1,:,1,:] == np.dot(a[1],b[1]) ) 8 True
1 inner(a, b)[i,j,k,m] = sum(a[i,j,:]*b[k,m,:])
1 >>> a = np.arange(12).reshape(2,3,2) 2 >>> b = np.arange(12,24).reshape(2,3,2) 3 >>> c = np.inner(a,b) 4 >>> c.shape 5 (2, 3, 2, 3) 6 >>> c[0,0,0,0] == np.inner(a[0,0],b[0,0]) 7 True 8 >>> c[0,1,1,0] == np.inner(a[0,1],b[1,0]) 9 True 10 >>> c[1,2,1,2] == np.inner(a[1,2],b[1,2]) 11 True
1 >>> np.outer([1,2,3],[4,5,6,7]) 2 array([[ 4, 5, 6, 7], 3 [ 8, 10, 12, 14], 4 [12, 15, 18, 21]]) 矩陣中更高級的一些運算可以在NumPy的線性代數子庫linalg中找到。例如inv函數計算逆矩陣，solve函數可以求解多元一次方程組。下面是solve函數的一個例子： 1 >>> a = np.random.rand(10,10) 2 >>> b = np.random.rand(10) 3 >>> x = np.linalg.solve(a,b) solve函數有兩個參數a和b。a是一個N*N的二維數組，而b是一個長度為N的一維數組，solve函數找到一個長度為N的一維數組x，使得a和x的矩陣乘積正好等于b，數組x就是多元一次方程組的解。 |
|
|
