python数组和矩阵使用总结 (moved to https://sonictl.github.io/)
python数组和矩阵使用总结 1、数组和矩阵常见用法 Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包，需要导入numpy。 SciPy包以NumPy包为基础，大大的扩展了numpy的能力。因此只要导入了scipy，不必在单独导入numpy了！为了使用的方便，scipy包在最外层名字空间中包括了所有的numpy内容。 本文还是区分numpy中实现的和scipy中实现的。 以下默认已经：import numpy as np 以及 impor scipy as sp numpy的基本类型是多维数组，把matrix看做是array的子类。 1.建立矩阵 a1=np.array([1,2,3],dtype=int) #建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。 a2=np.array([[1,2,3],[2,3,4]]) #建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。 同样，numpy中也有很多内置的特殊矩阵： b1=np.zeros((2,3)) #生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有ones()建立全1矩阵。empty()建立一个空矩阵，使用内存中的随机值来填充这个矩阵。 Numpy将二维数组添加到空数组: numpy 初始化空数组，动态增加数据点 a=np.empty([0,3]) b = np.array([[1,2,3],[4,5,6]]) c=[[7,8,9]] print(a.shape, ‘a shape’) print(b.shape, ‘b shape’) a = np.append(a, b, axis=0) a = np.append(a, c, axis=0) print(a.shape, ‘a append b’) print(a.shape, ‘a append b append c’) b2=identity(n) #建立n*n的单位阵，这只能是一个方阵。 b3=eye(N,M=None,k=0) #建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。 此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like()，它们的参数均为如此形式：zeros_like(a,dtype=)，其中，a是一个已知的数组。 c1=np.arange(2,3,0.1) #起点，终点，步长值。含起点值，不含终点值。 c2=np.linspace(1,4,10) #起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数 d1=np.linalg.companion(a) #伴随矩阵 d2=np.linalg.triu()/tril() #作用同MATLAB中的同名函数 e1=np.random.rand(3,2) #产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数 fliplr()/flipud()/rot90() #功能类似MATLAB同名函数。 xx=np.roll(x,2) #roll()是循环移位函数。此调用表示向右循环移动2位。 2.数组的特征信息 先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了python面向对象的特征。 X.flags #数组的存储情况信息。 X.
…