這篇文章主要介紹了Python中的Numpy入門教程，著重講解了矩陣中的數(shù)組操作,需要的朋友可以參考下

1、Numpy是什么

很簡單，Numpy是Python的一個科學計算的庫，提供了矩陣運算的功能，其一般與Scipy、matplotlib一起使用。其實，list已經(jīng)提供了類似于矩陣的表示形式，不過numpy為我們提供了更多的函數(shù)。如果接觸過matlab、scilab，那么numpy很好入手。在以下的代碼示例中，總是先導入了numpy：

代碼如下:

>>>importnumpyasnp

>>>printnp.version.version

1.6.2

2、多維數(shù)組

多維數(shù)組的類型是：numpy.ndarray。

使用numpy.array方法

以list或tuple變量為參數(shù)產(chǎn)生一維數(shù)組：

代碼如下:>>>printnp.array([1,2,3,4])

[1234]

>>>printnp.array((1.2,2,3,4))

[1.22.3.4.]

>>>printtype(np.array((1.2,2,3,4)))

<type'numpy.ndarray'>

以list或tuple變量為元素產(chǎn)生二維數(shù)組：

代碼如下:

>>>printnp.array([[1,2],[3,4]])

[[12]

[34]]

生成數(shù)組的時候，可以指定數(shù)據(jù)類型，例如numpy.int32,numpy.int16,andnumpy.float64等：

代碼如下:

>>>printnp.array((1.2,2,3,4),dtype=np.int32)

[1234]

使用numpy.arange方法

代碼如下:

>>>printnp.arange(15)

[01234567891011121314]

>>>printtype(np.arange(15))

<type'numpy.ndarray'>

>>>printnp.arange(15).reshape(3,5)

[[01234]

[56789]

[1011121314]]

>>>printtype(np.arange(15).reshape(3,5))

<type'numpy.ndarray'>

使用numpy.linspace方法

例如，在從1到3中產(chǎn)生9個數(shù)：

代碼如下:

>>>printnp.linspace(1,3,9)

[1.1.251.51.752.2.252.52.753.]

使用numpy.zeros，numpy.ones，numpy.eye等方法可以構造特定的矩陣

例如：

代碼如下:

>>>printnp.zeros((3,4))

[[0.0.0.0.]

[0.0.0.0.]

[0.0.0.0.]]

>>>printnp.ones((3,4))

[[1.1.1.1.]

[1.1.1.1.]

[1.1.1.1.]]

>>>printnp.eye(3)

[[1.0.0.]

[0.1.0.]

[0.0.1.]]

創(chuàng)建一個三維數(shù)組：

代碼如下:

>>>printnp.zeros((2,2,2))

[[[0.0.]

[0.0.]]

[[0.0.]

[0.0.]]]

獲取數(shù)組的屬性：

代碼如下:

>>>a=np.zeros((2,2,2))

>>>printa.ndim#數(shù)組的維數(shù)

3

>>>printa.shape#數(shù)組每一維的大小

(2,2,2)

>>>printa.size#數(shù)組的元素數(shù)

8

>>>printa.dtype#元素類型

float64

>>>printa.itemsize#每個元素所占的字節(jié)數(shù)

8

數(shù)組索引，切片，賦值

示例：

代碼如下:

>>>a=np.array([[2,3,4],[5,6,7]])

>>>printa

[[234]

[567]]

>>>printa[1,2]

7

>>>printa[1,:]

[567]

>>>printa[1,1:2]

[6]

>>>a[1,:]=[8,9,10]

>>>printa

[[234]

[8910]]

使用for操作元素

代碼如下:

>>>forxinnp.linspace(1,3,3):

...printx

...

1.0

2.0

3.0

基本的數(shù)組運算

先構造數(shù)組a、b：

代碼如下:

>>>a=np.ones((2,2))

>>>b=np.eye(2)

>>>printa

[[1.1.]

[1.1.]]

>>>printb

[[1.0.]

[0.1.]]

數(shù)組的加減乘除：

代碼如下:

>>>printa>2

[[FalseFalse]

[FalseFalse]]

>>>printa+b

[[2.1.]

[1.2.]]

>>>printa-b

[[0.1.]

[1.0.]]

>>>printb*2

[[2.0.]

[0.2.]]

>>>print(a*2)*(b*2)

[[4.0.]

[0.4.]]

>>>printb/(a*2)

[[0.50.]

[0.0.5]]

>>>print(a*2)**4

[[16.16.]

[16.16.]]

使用數(shù)組對象自帶的方法：

代碼如下:

>>>a.sum()

4.0

>>>a.sum(axis=0)#計算每一列（二維數(shù)組中類似于矩陣的列）的和

array([2.,2.])

>>>a.min()

1.0

>>>a.max()

1.0

使用numpy下的方法：

代碼如下:

>>>np.sin(a)

array([[0.84147098,0.84147098],

[0.84147098,0.84147098]])

>>>np.max(a)

1.0

>>>np.floor(a)

array([[1.,1.],

[1.,1.]])

>>>np.exp(a)

array([[2.71828183,2.71828183],

[2.71828183,2.71828183]])

>>>np.dot(a,a)##矩陣乘法

array([[2.,2.],

[2.,2.]])

合并數(shù)組

使用numpy下的vstack和hstack函數(shù)：

代碼如下:

>>>a=np.ones((2,2))

>>>b=np.eye(2)

>>>printnp.vstack((a,b))

[[1.1.]

[1.1.]

[1.0.]

[0.1.]]

>>>printnp.hstack((a,b))

[[1.1.1.0.]

[1.1.0.1.]]

看一下這兩個函數(shù)有沒有涉及到淺拷貝這種問題：

代碼如下:

>>>c=np.hstack((a,b))

>>>printc

[[1.1.1.0.]

[1.1.0.1.]]

>>>a[1,1]=5

>>>b[1,1]=5

>>>printc

[[1.1.1.0.]

[1.1.0.1.]]

可以看到，a、b中元素的改變并未影響c。

深拷貝數(shù)組

數(shù)組對象自帶了淺拷貝和深拷貝的方法，但是一般用深拷貝多一些：

代碼如下:>>>a=np.ones((2,2))

>>>b=a

>>>bisa

True

>>>c=a.copy()#深拷貝

>>>cisa

False

基本的矩陣運算

轉(zhuǎn)置：

代碼如下:

>>>a=np.array([[1,0],[2,3]])

>>>printa

[[10]

[23]]

>>>printa.transpose()

[[12]

[03]]

跡：

代碼如下:>>>printnp.trace(a)

4

numpy.linalg模塊中有很多關于矩陣運算的方法：

代碼如下:

>>>importnumpy.linalgasnplg

特征值、特征向量：

代碼如下:

>>>printnplg.eig(a)

(array([3.,1.]),array([[0.,0.70710678],

[1.,-0.70710678]]))3、矩陣

numpy也可以構造矩陣對象，這里不做討論。

更多信息請查看IT技術專欄