numpy矩阵相关操作

numpy矩阵操作

加减乘除

1）单个数组元素的操作

• n + 10
• n - 10
• n * 10
• n / 10
• n // 2
• n ** 2
• n % 2

2）两个数组的操作(每个数组中对应的元素做操作)

• n1 + n2
• n1 - n2
• 其他算术运算都一样

3）线性代数中的矩阵操作

• 矩阵积np.dot( )，要求：第一个数组的列数要和第二个数组的行相同，否则会报错，计算公式如下：

# A数组如下			#  B数组如下
[a11, a12, a13],	[b11, b12],
[a21, a22, a23],	[b21, b22],
					[b31, b32]
# 进行矩阵积,过程如下
[a11*b11 + a12*b21 + a13*b31],
[a21*b11 + a22*b22 + a23*b32]

1
2
3
4
5
6
7
8

• 矩阵逆np.linalg.inv(n)
• 矩阵的行列式np.round(np.linalg.det(n)),

# 数组n如下：
[1, 2, 3],
[2, 5, 4],
[4, 5, 8]

#行列式的计算：
1*5*8 + 2*4*4 + 3*2*5 -(3*5*4 + 2*2*8 + 1*4*5) = -10
1
2
3
4
5
6
7

• 矩阵的秩np.linalg.matrix_rank(n)

广播机制

​ 所谓的广播机制就是当2个不同维度的数组进行加减的时候，将把维度小的数组自动填充数组变成维度大且维度数组相同的数组，然后再进行计算，在填充过程中会有已有数据进行填充。案例演示如下

# 数组a	# 数组b
[1],	[1, 2, 3] 
[2],
[3]

# 进行相加a + b自动激发广播机制，补全数据
# 补填后的a			# 补填后的b
[1, 1, 1],			[1, 2, 3],	
[2, 2, 2],			[1, 2, 3],	
[3, 3, 3]			[1, 2, 3],	

# 最后计算结果得：
1
2
3
4
5
6
7
8
9
10
11
12

其他常见的数学操作

• np.abs(n) # 绝对值
• np.sqrt(n) # 平方根
• np.square(n) # 平方
• np.exp(n) # 指数 e = 2.718281828459045
• np.log(n) # 自然对数：以e为底的对数，ln3
• np.log(np.e) # 1
• np.log(1) # 0
• np.log2(n) # 2为底的对数
• np.log10(n) # 10为底的对数，常用对数
• np.sin(n) # 正弦
• np.cos(n) # 余弦
• np.tan(n) # 正切
• np.round(n, 2) # 四舍五入
• np.ceil(n) # 向下取整
• np.cumsum(n) # 累加

numpy数组排序

快速排序升序

• 不改变原数组的排序，会占用额外的内存空间

  np.sort(n1) 如果要使用，就需要用一个变量接住

• 直接改变数组元素的排序

  n1.sort()，这个时候n1就是已经排好序的数组，可以直接使用

ndarray文件操作

保存数组

• save: 保存ndarray到一个npy文件
• savez: 将多个array保存到一个npz文件中

24年7月16-7月23完结