python: ndim & shape & dtype & astype

本文详细解析了Numpy数组的四个关键属性:ndim、shape、dtype和astype。ndim返回数组的维度数量,shape返回各维度的大小,dtype显示数组的数据类型,astype则用于转换数组的数据类型。

1.ndim返回的是数组的维度,返回的只有一个数,该数即表示数组的维度。

2.shape:表示各个维度大小的元组;返回的是一个元组。

对于一维数组:有疑问的是为什么不是(1,6),因为arr1.ndim维度为1,元组内只返回一个数。

对于二维数组:前面的是行,后面的是列,他的ndim为2,所以返回两个数。

对于三维数组:2页2行3列,arr3的shape,为(2,2,3)

3.dtype:是一个用于说明数组数据类型的对象。返回的是该数组的数据类型。由于图中的数据都为整形,所以返回的都是int64。如果数组中有数据带有小数点,那么就会返回float64。

有疑问的是:整形数据不应该是int吗?浮点型数据不应该是float吗?

解答:int32、float64是Numpy库自己的一套数据类型。

4.astype:转换数组的数据类型;

注意其中的float,它是python内置的类型,但是Numpy可以使用。Numpy会将Python类型映射到等价的dtype上。

参考:

1.https://blog.youkuaiyun.com/Da_wan/article/details/80518725

 

<think>嗯,用户想在Anaconda3中练习使用mat、matrix、bmat指令生成矩阵,还有各种矩阵操作属性。首先,我需要确认这些指令在numpy中的正确用法。记得numpy的matrix类已经被弃用了,但可能用户还在用旧教程,所以得提醒他们改用数组或者明确说明情况。 用户提到符号:空格、逗号、分号的作用。在matrix中,空格分隔同一行的元素,分号换行。比如mat('1 2;3 4'),对吧?不过对于数组来说,创建方式不同,可能需要用np.array嵌套列表。 然后是创建布尔型浮点型矩阵。布尔型可以直接用dtype=bool,或者通过比较操作生成。浮点型则指定dtype为float。这部分需要示例,比如np.matrix(np.array([1,2], dtype=float)),不过要注意matrix可能自动转换类型。 接下来是矩阵操作:T是转置,H是共轭转置,I是逆矩阵,A返回数组。要对比数组是否有这些属性。数组的T属性存在,但H可能需要使用.conj().T,I不存在,得用np.linalg.inv。A在矩阵中返回数组,但数组本身没有这个属性。 ufunc的广播机制,矩阵数组的行为可能不同。比如矩阵是二维的,相加时维度必须严格匹配,而数组可以广播。比如矩阵(2x2)加(2x1)会报错,数组则可以广播。 矩阵数组的对比,重点在维度运算。矩阵始终是二维,乘法是矩阵乘,而数组可以是任意维度,乘法则元素级。需要举例说明两者的差异。 创建方式上,数组用np.array,矩阵用np.mat或np.matrix,但后者不推荐了。用户可能需要知道如何用这两种方法创建二维结构。 检查矩阵的属性:ndim应该返回2,shape是(行,列),size元素总数,itemsize字节,dtype类型。而数组如果是二维的话,这些属性相同,但高维数组会有不同的ndimshape变换方面,矩阵的shape只能二维,直接赋值shape可能会出错,而数组可以reshape成不同维度。比如矩阵的shape设为(4,)会报错,而数组可以。 最后,用户需要在Jupyter中练习并上传ipynb文件。我需要整理步骤,给出代码示例注释,说明每个练习的结果,并建议他们下载文件。 可能用户是刚开始学习numpy,混淆了矩阵数组的区别,特别是因为旧教程还在用matrix。需要强调推荐使用数组,并解释替代方法。同时,确保示例代码正确,比如使用bmat时可能需要拼块矩阵,但注意bmat在数组中的用法可能不同。 还要注意用户可能遇到的常见错误,比如在矩阵中使用非二维数据,或者尝试改变矩阵的shape到一维。这些需要指出,并说明数组的灵活性。 总结:需要分步骤讲解每个主题,提供代码示例,比较差异,提醒注意事项,并建议使用数组而非矩阵,同时遵循用户的要求练习这些指令。</think>在Anaconda3中使用Jupyter Notebook练习矩阵操作的详细指南如下: --- ### 一、矩阵创建基础 #### 1. `mat`/`matrix`/`bmat`指令 ```python import numpy as np # 使用字符串生成矩阵(空格分隔行内,分号换行) m1 = np.mat('1 2; 3 4') # matrix([[1, 2], [3, 4]]) m2 = np.matrix([[1, 2], [3, 4]]) # 使用bmat分块创建 A = np.mat('1 2; 3 4') B = np.mat('5 6; 7 8') m3 = np.bmat([[A, B], [B, A]]) # 4x4分块矩阵 ``` #### 2. 符号作用对比 | 符号 | 作用 | 示例 | |-------|---------------------|-------------------------| | 空格 | 行内元素分隔 | `mat('1 2; 3 4')` | | 逗号 | 数组维度分隔(仅用于`array`)| `array([[1, 2], [3, 4]])`| | 分号 | 行间分隔符 | `mat('1 2; 3 4')` | --- ### 二、特殊类型矩阵 #### 1. 布尔型矩阵 ```python bool_matrix = np.matrix([[True, False], [False, True]], dtype=bool) # 或通过逻辑运算生成 num_matrix = np.matrix([[1, 0], [3, 4]]) bool_matrix = (num_matrix > 2) ``` #### 2. 浮点型矩阵 ```python float_matrix = np.matrix([[1, 2], [3, 4]], dtype=np.float64) # 显式转换 int_matrix = np.matrix([[1, 2], [3, 4]]) float_matrix = int_matrix.astype(float) ``` --- ### 三、矩阵操作 ```python m = np.mat([[1+2j, 2], [3, 4]]) print(m.T) # 转置 → [[1+2j, 3], [2, 4]] print(m.H) # 共轭转置 → [[1-2j, 3], [2, 4]] print(m.I) # 逆矩阵 → [[-2. , 1. ], [1.5, -0.5]] print(m.A) # 转换为ndarray → 可进行数组操作 ``` --- ### 四、矩阵 vs 数组对比 #### 1. 核心差异 | 特性 | 矩阵(`matrix`) | 数组(`ndarray`) | |------------|-------------------------|--------------------------| | 维度 | 强制为2D | 支持任意维度 | | 乘法运算 | `*`执行矩阵乘法 | `*`执行逐元素乘法 | | 属性方法 | 有`.H`, `.I`专用属性 | 需要调用函数如`np.dot()` | #### 2. 广播机制示例 ```python # 矩阵广播会报错(严格要求维度匹配) # 数组支持广播 a = np.array([[1, 2], [3, 4]]) b = np.array([10, 20]) print(a * b) # 正确输出:[[10 40], [30 80]] ``` --- ### 五、属性与变形验证 #### 1. 矩阵属性 ```python m = np.mat([[1,2],[3,4]]) print(m.ndim) # → 2 (固定二维) print(m.shape) # → (2, 2) print(m.size) # → 4 print(m.itemsize) # → 8 (假设为float64) print(m.dtype) # → int64 # 尝试变形(会失败!) # m.shape = (4,) # 报错:矩阵无法变为非二维 ``` #### 2. 数组对比 ```python arr = np.array([[1,2],[3,4]]) arr.shape = (4,) # 成功变为1D数组 ``` --- ### 六、操作兼容性验证 | 操作 | 矩阵(`matrix`) | 数组(`ndarray`) | |-----------|----------------|---------------------------| | `.T` | ✔️ | ✔️ | | `.H` | ✔️ | ❌ 需用`.conj().T` | | `.I` | ✔️ | ❌ 需用`np.linalg.inv()` | | `.A` | ✔️ | ❌ 无此属性 | --- ### 七、练习文件准备 1. 在Jupyter中新建Notebook 2. 按上述代码分步骤实验 3. 保存为`.ipynb`文件(File → Download as → Notebook (.ipynb)) 附件提供完整练习文件:[matrix_practice.ipynb](此部分需实际操作生成) > 注意:Numpy官方已不推荐使用`matrix`类,建议优先使用`ndarray`配合`@`运算符做矩阵乘法。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值