【python】数值分析——NumPy进阶

创建矩阵

np.matrix()：NumPy 库中用于创建矩阵对象的函数

np.matrix(data, dtype=None)

参数 data 是要转换为矩阵的输入数据，可以是列表、元组、数组、字符串等。如果输入的数据为二维数组，则转换后的对象就是一个二维矩阵

#1.使用列表创建一个矩阵对象
lst = [[1, 2], [3, 4]]
mat = np.matrix(lst)
print(mat)
# 输出:
# [[1 2]
#  [3 4]]

#2.使用数组创建矩阵对象
arr = np.array([[1, 2], [3, 4]])
mat = np.matrix(arr)
print(mat)
# 输出:
# [[1 2]
#  [3 4]]

#3.使用字符串创建矩阵对象
s = '1 2; 3 4'		#每行之间用分号隔开，每行内的元素用空格或逗号隔开
mat = np.matrix(s)
print(mat)
# 输出:
# [[1 2]
#  [3 4]]

运算

.mean() ：平均值

numpy.mean(a, axis=None, dtype=None, keepdims=False)

• a：要计算平均值的数组。
• axis：指定沿哪个轴计算平均值，默认为 None，表示计算整个数组的平均值。
• dtype：指定返回结果的数据类型，默认为 None，表示保持原有的数据类型。
• keepdims：是否保持结果的维度，默认为 False，表示降低维度。

#计算一维数组的平均值
arr = np.array([1, 2, 3, 4, 5])
avg = arr.mean()
print(avg)
# 输出: 3.0

#计算二维数组的平均值
arr = np.array([[1, 2], [3, 4]])
avg = arr.mean()
print(avg)
# 输出: 2.5

#沿指定轴计算平均值
arr = np.array([[1, 2], [3, 4]])
avg_axis_0 = arr.mean(axis=0)
print(avg_axis_0)
# 输出: [2. 3.]

.var() ： 方差

在 NumPy 中，使用 .var() 方法可以计算数组中元素的方差。方差是衡量数据分散程度的统计指标，用于描述数据离散程度的大小。

numpy.var(a, axis=None, dtype=None, ddof=0, keepdims=False)

.std() ： 标准差

在 NumPy 中，使用 .std() 方法可以计算数组中元素的标准差。标准差是衡量数据离散程度的统计指标，用于描述数据的分散程度。

numpy.std(a, axis=None, dtype=None, ddof=0, keepdims=False)

• a：要计算方差的数组。
• axis：指定沿哪个轴计算方差，默认为 None，表示计算整个数组的方差。
• dtype：指定返回结果的数据类型，默认为 None，表示保持原有的数据类型。
• ddof：自由度参数（Delta Degrees of Freedom），用于计算无偏估计方差，即方差计算中除以 N - ddof，默认为 0，表示使用总体方差。
• keepdims：是否保持结果的维度，默认为 False，表示降低维度。

#一维数组的方差和标准差
arr = np.array([1, 2, 3, 4, 5])
variance = arr.var()
print(variance)
# 输出: 2.0
std_deviation = arr.std()
print(std_deviation)
# 输出: 1.4142135623730951

#二维数组的方差和标准差
arr = np.array([[1, 2], [3,