Python基础——numpy库的使用

1、numpy库简介：

   NumPy提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。

2、numpy库使用：

注：由于深度学习中存在大量的矩阵运算，实践中也主要关注此点。

运行环境：Python3

（1）矩阵（matrix）、列表（list）、数组（array）的转换

list变成array： np.array(A)

list变为matrix：np.mat(A)

array和matrix相互转换: np. mat(A)，np. array(A)

matrix和array变换为list： A.tolist()

例：

import numpy as np              #导入NumPy库

if __name__ == "__main__":

    a = [[, , ], [, , ]]  # 列表

    b = np.array(a)             # 列表转数组

    c = np.mat(a)               # 列表转矩阵

    d = np.array(c)             # 矩阵转数组

    e = np.mat(d)               # 数组转矩阵

    f = e.tolist()              # 矩阵转列表

（2） 矩阵创建

import numpy as np       #导入NumPy库

if __name__ == "__main__":

     a =[,,] #列表

     a =np.array(a)  #数组

     a1=np.mat(a)   #创建一个1*3的矩阵  或 a2=np.mat([, , ])

     a2=np.mat([[,],[,]])  #创建一个2*2的矩阵

     b1=a2[,:]  #提取第  行

     b2=a2[:,]  #提取第  列

     c1=np.mat(np.zeros((,))) #创建一个3*3的零矩阵，矩阵这里zeros函数的参数是一个tuple类型(,)

     c2=np.mat(np.ones((,))) #创建一个2*4的1矩阵，默认是浮点型的数据，如果需要时int类型，可以使用dtype=int

     c3=np.mat(np.eye(,,dtype=int)) #产生一个2*2的对角矩阵,dtype=int

     c4=np.mat(np.diag([,,])) #生成一个对角线为1、、3的对角矩阵

（3）矩阵运算

import numpy as np       #导入NumPy库

if __name__ == "__main__":

    #矩阵相乘

    a1=np.mat([,]);

    a2=np.mat([[],[]]);

    a3=a1*a2 #*2的矩阵乘以2*1的矩阵，得到1*1的矩阵

    #矩阵点乘——矩阵对应元素相乘

    b1=np.mat([,]);

    b2=np.mat([,]);

    b3=np.multiply(b1,b2)

    #矩阵求逆

    c1=np.mat(np.eye(,)*0.5)

    c2=c1.I

    #矩阵转置

    d1=np.mat([[,],[,]])

    d2=d1.T

    #矩阵求和

    e1=np.mat([[,],[,]])

    e2=e1.sum(axis=) #列和，这里得到的是1*2的矩阵

    e3=e1.sum(axis=) #行和，这里得到的是2*1的矩阵

（4）计算矩阵最大、最小值和索引

import numpy as np       #导入NumPy库

if __name__ == "__main__":

    a1=np.mat([[,],[,],[,]])  #得到的是3*2的矩阵

    a2=a1.max()        #计算a1矩阵中所有元素的最大值,这里得到的结果是一个数值

    a3=np.max(a1[:,]) #计算第2列的最大值，这里得到的是一个数值

    a4=a1[,:].max()   #计算第2行的最大值，这里得到的是一个数值

    a5=np.max(a1,)    #计算每列的最大值，这里得到是一个1*2矩阵

    a6=np.max(a1,)    #计算每行的最大值，这里得到是一个3*1矩阵

    a7=np.argmax(a1,) #计算每列的最大值对应在该列中的索引，这里得到是一个1*2矩阵

    a8=np.argmax(a1[,:])  #计算第二行中最大值对应在该行的索引，这里得到的是一个数值

（5）矩阵的合并

import numpy as np           #导入NumPy库

if __name__ == "__main__":

    a=np.mat(np.ones((,))) #得到2*2全1矩阵

    b= np.mat(np.eye())     #得到2*2对角单位矩阵

    c= np.vstack((a,b))      #按列合并，即增加行数，得到4*2矩阵

    d= np.hstack((a,b))      #按行合并，即行数不变，扩展列，得到2*4矩阵

（6）读取矩阵行列数

import numpy as np             #导入NumPy库

if __name__ == "__main__":

    a=np.shape(np.eye())[]   #读出行数，得到1个数

    b=np.shape(np.eye())[]   #读出列数，得到1个数

    m, n = np.shape(np.eye()) #读出行列数，得到2个数

（7）随机数

import numpy as np       #导入NumPy库

import random            #导入随机数random库

if __name__ == "__main__":

    a = random.randint(,)               #用于生成一个指定范围内的整数

    a1 = random.uniform(,)              #生成一个指定范围内的随机符点数

    a2 = random.randrange(, , )      #从指定范围内，按指定基数递增的集合中 获取一个随机数

    a3 = random.shuffle(["a", "b", "c"] )  #用于将一个列表中的元素打乱

    b = np.random.random(size=(,))            #生成2*4浮点数随机数组，随机数的值位于0到1之间

    b1 = np.random.randint(,,size=(,))    #生成3*3整数随机数组，随机数的值位于1到100之间

    b2 = np.random.binomial(, 0.5, size=(,)) #生成2*3二项分布随机数组，一次试验抛5次硬币朝上的硬币数，做2*3次试验

（7）其他矩阵处理方法

import numpy as np                       #导入NumPy库

if __name__ == "__main__":

    a=np.mat([[,,],[,,],[,,]])  #得到的是3*3的矩阵

    a1 = np.mean(a,axis=)               #参数axis=0表示对矩阵的每一列求均值,得到1*3矩阵

    a2 = np.cov(a,rowvar=)              #计算协方差矩阵，得到3*3数组

    a3,a4 = np.linalg.eig(a)             #计算矩阵的特征值和特征向量，分别得到3*1数组，*3矩阵

    a5 = np.argsort(a3)                  #对特征进行排序（升序）,函数返回的是原索引值，得到3*1数组

参考文献

[1] http://www.runoob.com/python3/python3-tutorial.html

[2] https://www.cnblogs.com/chamie/p/4870078.html