numpy中文手册

最新推荐文章于 2025-07-21 22:21:13 发布

置顶 qq_39683748

最新推荐文章于 2025-07-21 22:21:13 发布

阅读量1w

点赞数 3

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/qq_39683748/article/details/83792978

本文详细介绍了使用NumPy进行向量循环移动、随机数生成、矩阵运算等关键操作的方法，包括正态分布随机数生成、矩阵合并、转置、相乘、协方差矩阵及特征值计算。

网址：

https://www.numpy.org.cn/

导入模块:

import numpy as np

向量循环移动

把向量x向右移动move_step步

numpy.roll(a, shift, axis=None)

函数解释：沿着给定轴滚动数组元素。超出最后位置的元素将会滚动到第一个位置。（将a，沿着axis的方向，滚动shift长度）

参数：

a : (array_like) 输入数组
shift : (int or tuple of ints) 滚动的长度。如果是提供元组的话，下面的轴参数的维度也应该跟shift维度一样。
axis : (int or tuple of ints, optional) 滚动的维度，0为垂直滚动，1为水平滚动（默认情况下，即参数为None时，数组在移位之前会被变成扁平化，之后会恢复原始形状。）
返回值： res : 输出数组（维度和a一样）

Examples
>> x = np.arange(10) # x例子
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>> np.roll(x, 2) # axis为None，则会先进行扁平化，然后再向水平滚动2个位置
array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7])

>> x2 = np.reshape(x, (2,5)) # x2例子
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])

>> np.roll(x2, 1) # axis为None，则会先进行扁平化，然后再向水平滚动1个位置
array([[9, 0, 1, 2, 3],
[4, 5, 6, 7, 8]])

>> np.roll(x2, 1, axis=0) # 5列同时向垂直方向滚动1个位置
array([[5, 6, 7, 8, 9],
[0, 1, 2, 3, 4]])

>> np.roll(x2, 1, axis=1) # 2行同时向水平方向滚动1个位置
array([[4, 0, 1, 2, 3],
[9, 5, 6, 7, 8]])

随机数生成

随机数生成—正态分布

loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape，默认为None，只输出一个值。若size=[n,m],则生成n行m列的随机矩阵

np.random.normal(loc=1.0, scale=4.0, size=[n, m])

随机数生成—指定分布概率

从a中抽取3（size）个数据，不放回（replace=False），各个元素被抽到的概率为P

a=5意味着从【0,1,2,3,4】中抽取数字，p的大小和a相同

p如果没有指定（p = None）,则是均匀分布的概率

np.random.choice(a=5, size=3, replace=False, p=[0.2, 0.1, 0.3, 0.4, 0.0])

得到：array([3, 1, 0])

矩阵合并（矩阵连接）

x = np.array([1,2,3])
y = np.array([4,5,6])
data1 = np.c_[x, y] #列合并
data2 = np.r_[x, y] #行合并

结果：

data1 =
array([[1, 4],
[2, 5],
[3, 6]])
data2 =
array([1, 2, 3, 4, 5, 6])

矩阵转置

data = np.array([[1,2],[3,4],[5,6],[7,8]])
data_T = data.T #矩阵转置
# 或者这样也行
data_T = np.transpose(data)

data =
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])

data_T =
array([[1, 3, 5, 7],
[2, 4, 6, 8]])

矩阵相乘

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

结果：

a =
array([[1, 2],
[3, 4]])
b =
array([[5, 6],
[7, 8]])
c =
array([[19, 22],
[43, 50]])

计算协方差矩阵

data=np.array([[1,2],[3,4],[5,6],[7,8]])
cov = np.cov(data.T) #计算协方差矩阵

结果：

data =
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])

cov =
array([[11.81243026, 4.05894877],
[ 4.05894877, 5.40936976]])

计算矩阵特征根和特征向量

data=np.array([[1,0,0],[0,2,0],[0,0,3]]) #要求矩阵是方阵
eig_val, eig_vec = np.linalg.eig(data)

结果：

data =
array([[1, 0, 0],
[0, 2, 0],
[0, 0, 3]])

# eig_val：特征值

eig_val =
array([1., 2., 3.])

# eig_vec：特征向量

eig_vec =
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])