Numpy基本用法

numpy切片和索引

s = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
print(s[1:8]) # [1 2 3 4 5 6 7]
print(s[1:]) # [1 2 3 4 5 6 7 8 9]
print(s[:-1]) # [0 1 2 3 4 5 6 7 8]
print(s[1:8:2]) # [1 3 5 7]

a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]  
c = a[1:3,[1,2]]  
d = a[...,1:]

numpy之间的运算(加减乘除)

形状一样的时候

a = np.array([1,2,3,4]) 
b = np.array([10,20,30,40]) 
c = a * b   # [ 10  40  90 160]

形状不一样的时候

a = np.array([[ 0, 0, 0],
           [10,10,10],
           [20,20,20],
           [30,30,30]])
b = np.array([1,2,3])
print(a + b) # [[ 1  2  3]
 			 #  [11 12 13]
			 #  [21 22 23]
  			 #  [31 32 33]]

修改形状

a = np.arange(8)
b = a.reshape(4,2)  #重置形状
print(b)
for row in b:  # 取出每一行
    print(row)
for element in b.flat: # 取出每一个元素
    print(element)
print (b.ravel(order='F')) # F是按列展开，默认按行展开
print(np.sin(b)) #每个元素做sin并返回同等大小数组

矩阵属性

print(b.T)  # 简单的转置
print(np.matlib.zeros((2,3))) #zeros全0 ones 全1

线性代数常用函数

a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.dot(a,b))  #矩阵相乘  vdot是点积
#[[37 40]
# [85 92]]
print(a*b)  # 每个元素对应相乘
#[[11 24]
# [39 56]]