Numpy中一些关于矩阵的运算

Numpy

最基本的一些numpy操作：

import numpy as np
a =np.array([2,23,4], dtype = np.int64)
print(a)
#会打印出数列，且无逗号， dtype可以自己定义，也可以空

a =np.array([[2,23,4]
[2,23,1]], dtype = np.int64)
#可生成多行矩阵，需要注意格式

一些特殊矩阵的生成

a = np.zeros((3,4))
#生成3行4列的零值矩阵
#ones生成1值矩阵
#empty生成接近0值的矩阵

a = np.arange(10,20,2)
#10到20，差为2的等差数列
#最后一个为步长，可定义为负
#np.arange(4), 默认是0到3，0，1，2，3这四个数，差为1

a = np.arange(12).reshape((3,4))
#生成0-12，3行4列的矩阵，差值为1（默认）
#reshape的元素的个数要满足矩阵里的位置

a = np.linspace(1,10,20)
#生成，1-10这条线上（实心点），分成20段的数列，等差
#也可以reshape

当然，也可以对矩阵进行一些常见运算：

c = b **2
#2次方
c = a*sin(a)
#对a的每个值求sin

也可以有一些特殊的运算

print（b<3）
#返回b中每个元素小于3的布尔值，依然是同shape矩阵


c = np.dot(a,b) 
#a*b 为俩矩阵，一一对应的位置相乘，非矩阵乘法的结果
#dot则为矩阵乘法的值

对于矩阵内部的数据处理

a = np.random.random((2,4))
#首先生成一个2，4形状的矩阵，且随机值在0，1之间

np.sum(), 
np.max(), 
np.min（a,axis = 0），
np.mean(). 
np.median(),
np.cumsum()， 
np.diff()
#都是针对矩阵内进行的运算
#0对行，1对列，生成的结果也为矩阵（对应行/列）
#average不能用于矩阵
#cumsum返回的是同样项数的，逐次累加
#diff是俩个数之间的累进差值

在tensorflow中非常好用的操作：

np.argmin（）, 
np.armax（）
#返回最大最小值的索引，对于tf用处较大

np.nonzero()
#返回非零的值， 的位置。 用行列俩个值来表示

矩阵的分割，合并，调换等操作

np.transpose
#行列进行调换

np.clip(a, a_min, a_max)
#限定矩阵里面的范围，比如把所有的值都限定在1，-1之间

print(A,[3])
#print出来A里面的第三个数（如果只有一行）， 或者第三行（不止一行）

print（A,[1，1]）
#print出来A里面第一行，第一列的数值
#注意，从零行零列开始数
#可以用冒号：代替所有的数， 1：2表示1到2的值

for column in np.transpose(A):
print (column)
#换言之，for循环默认是行

for item in A.flat:
print(item)
#flat的作用是把矩阵换成平的一行

A = ([1,1,1])
B = ([2,2,2])

C = np.vstack((A,B))
D = np.hstack((A,B))
#可以分别用上下或者左右的方式合并

np.split(A,2,axis =0)
#必须是相等的分割，0是横向，1是竖向

np.arrary_split(A,3,axis=0)
#可以做不相等的分割

np.vsplit/hsplit
#vertical/horizontal

##变量的传递
a = ([1,2,3])
a = b
b = c
#a, b, c 这三个在硬盘上是一个位置，用is语句的话会得到true

b = a.copy() #deep copy
#只copy指，而不关联起来