xianhu
GitHub
commit
5da27adcc2
|
|
@ -53,6 +53,8 @@
|
||||||
### python_wechat.py: 玩点好玩的--自己写一个微信小助手
|
### python_wechat.py: 玩点好玩的--自己写一个微信小助手
|
||||||
|
|
||||||
### python_csv.py: Python中CSV文件的简单读写
|
### python_csv.py: Python中CSV文件的简单读写
|
||||||
|
|
||||||
|
### python_numpy.py: 使用numpy进行矩阵操作
|
||||||
===================================================================================================
|
===================================================================================================
|
||||||
|
|
||||||
### 您可以fork该项目, 并在修改后提交Pull request
|
### 您可以fork该项目, 并在修改后提交Pull request
|
||||||
|
|
|
||||||
|
|
@ -0,0 +1,318 @@
|
||||||
|
# _*_coding:utf-8-*_
|
||||||
|
import numpy as np
|
||||||
|
# 定义矩阵变量并输出变量的一些属性
|
||||||
|
# 用np.array()生成矩阵
|
||||||
|
arr=np.array([[1,2,3],
|
||||||
|
[4,5,6]])
|
||||||
|
|
||||||
|
print(arr)
|
||||||
|
print('number of arr dimensions: ',arr.ndim)
|
||||||
|
print('~ ~ ~ shape: ',arr.shape)
|
||||||
|
print('~ ~ ~ size: ', arr.size)
|
||||||
|
|
||||||
|
# 输出结果：
|
||||||
|
[[1 2 3]
|
||||||
|
[4 5 6]]
|
||||||
|
number of arr dimensions: 2
|
||||||
|
~ ~ ~ shape: (2, 3)
|
||||||
|
~ ~ ~ size: 6
|
||||||
|
|
||||||
|
# 定义一些特殊矩阵
|
||||||
|
# 指定矩阵数据类型
|
||||||
|
arr=np.array([[1,2,3],
|
||||||
|
[4,5,6]],
|
||||||
|
dtype=np.float64) # 我的电脑np.int是int32，还可以使用np.int32/np.int64/np.float32/np.float64
|
||||||
|
print(arr.dtype)
|
||||||
|
|
||||||
|
# 用np.zeros()生成全零矩阵
|
||||||
|
arr_zeros=np.zeros( (2,3) )
|
||||||
|
print(arr_zeros)
|
||||||
|
|
||||||
|
# 用np.ones()生成全一矩阵
|
||||||
|
arr_ones=np.ones( (2,3) )
|
||||||
|
print(arr_ones)
|
||||||
|
|
||||||
|
# 生成随机矩阵np.random.random()
|
||||||
|
arr_random=np.random.random((2,3))
|
||||||
|
print(arr_random)
|
||||||
|
|
||||||
|
# 用np.arange()生成数列
|
||||||
|
arr=np.arange(6,12)
|
||||||
|
print(arr)
|
||||||
|
|
||||||
|
# 用np.arange().reshape()将数列转成矩阵
|
||||||
|
arr=np.arange(6,12).reshape( (2,3) )
|
||||||
|
print(arr)
|
||||||
|
|
||||||
|
# 用np.linspace(开始，结束，多少点划分线段)，同样也可以用reshape()
|
||||||
|
arr=np.linspace(1,5,3)
|
||||||
|
print(arr)
|
||||||
|
|
||||||
|
# 矩阵运算
|
||||||
|
arr1=np.array([1,2,3,6])
|
||||||
|
arr2=np.arange(4)
|
||||||
|
|
||||||
|
# 矩阵减法，加法同理
|
||||||
|
arr_sub=arr1-arr2
|
||||||
|
print(arr1)
|
||||||
|
print(arr2)
|
||||||
|
print(arr_sub)
|
||||||
|
|
||||||
|
# 矩阵乘法
|
||||||
|
arr_multi=arr1**3 # 求每个元素的立方，在python中幂运算用**来表示
|
||||||
|
print(arr_multi)
|
||||||
|
|
||||||
|
arr_multi=arr1*arr2 # 元素逐个相乘
|
||||||
|
print(arr_multi)
|
||||||
|
|
||||||
|
arr_multi=np.dot(arr1, arr2.reshape((4,1))) # 维度1*4和4*1矩阵相乘
|
||||||
|
print(arr_multi)
|
||||||
|
|
||||||
|
arr_multi=np.dot(arr1.reshape((4,1)), arr2.reshape((1,4))) # 维度4*1和1*4矩阵相乘
|
||||||
|
print(arr_multi)
|
||||||
|
|
||||||
|
arr_multi=arr1.dot(arr2.reshape((4,1))) # 也可以使用矩阵名.doc(矩阵名)
|
||||||
|
print(arr_multi)
|
||||||
|
|
||||||
|
# 三角运算：np.sin()/np.cos()/np.tan()
|
||||||
|
arr_sin=np.sin(arr1)
|
||||||
|
print(arr_sin)
|
||||||
|
|
||||||
|
# 逻辑运算
|
||||||
|
print(arr1<3) # 查看arr1矩阵中哪些元素小于3，返回[ True True False False]
|
||||||
|
|
||||||
|
# 矩阵求和，求矩阵最大最小值
|
||||||
|
arr1=np.array([[1,2,3],
|
||||||
|
[4,5,6]])
|
||||||
|
print(arr1)
|
||||||
|
print(np.sum(arr1)) # 矩阵求和
|
||||||
|
print(np.sum(arr1,axis=0)) # 矩阵每列求和
|
||||||
|
print(np.sum(arr1,axis=1).reshape(2,1)) # 矩阵每行求和
|
||||||
|
|
||||||
|
print(np.min(arr1)) # 求矩阵最小值
|
||||||
|
print(np.min(arr1,axis=0))
|
||||||
|
print(np.min(arr1,axis=1))
|
||||||
|
|
||||||
|
print(np.max(arr1)) # 求矩阵最大值
|
||||||
|
|
||||||
|
print(np.mean(arr1)) # 输出矩阵平均值，也可以用arr1.mean()
|
||||||
|
print(np.median(arr1)) # 输出矩阵中位数
|
||||||
|
|
||||||
|
# 输出矩阵某些值的位置
|
||||||
|
arr1=np.arange(2,14).reshape((3,4))
|
||||||
|
print(arr1)
|
||||||
|
|
||||||
|
print(np.argmin(arr1)) # 输出矩阵最小值的位置，0
|
||||||
|
print(np.argmax(arr1)) # 输出矩阵最大值的位置，11
|
||||||
|
|
||||||
|
print(np.cumsum(arr1)) # 输出前一个数的和，前两个数的和，等等
|
||||||
|
print(np.diff(arr1)) # 输出相邻两个数的差值
|
||||||
|
|
||||||
|
arr_zeros=np.zeros((3,4))
|
||||||
|
print(np.nonzero(arr_zeros)) #输出矩阵非零元素位置，返回多个行向量，第i个行向量表示第i个维度
|
||||||
|
print(np.nonzero(arr1))
|
||||||
|
|
||||||
|
print(np.sort(arr1)) # 矩阵逐行排序
|
||||||
|
print(np.transpose(arr1)) # 矩阵转置，也可以用arr1.T
|
||||||
|
|
||||||
|
print(np.clip(arr1,5,9)) #将矩阵中小于5的数置5，大于9的数置9
|
||||||
|
|
||||||
|
# numpy索引
|
||||||
|
arr1=np.array([1,2,3,6])
|
||||||
|
arr2=np.arange(2,8).reshape(2,3)
|
||||||
|
|
||||||
|
print(arr1)
|
||||||
|
print(arr1[0]) # 索引从0开始计数
|
||||||
|
|
||||||
|
print(arr2)
|
||||||
|
print(arr2[0][2]) # arr[行][列]，也可以用arr[行,列]
|
||||||
|
print(arr2[0,:]) # 用:来代表所有元素的意思
|
||||||
|
print(arr2[0,0:3]) # 表示输出第0行，从第0列到第2列所有元素
|
||||||
|
# 注意python索引一般是左闭右开
|
||||||
|
|
||||||
|
# 通过for循环每次输出矩阵的一行
|
||||||
|
for row in arr2:
|
||||||
|
print(row)
|
||||||
|
|
||||||
|
# 如果要每次输出矩阵的一列，就先将矩阵转置
|
||||||
|
arr2_T=arr2.T
|
||||||
|
print(arr2_T)
|
||||||
|
for row in arr2_T:
|
||||||
|
print(row)
|
||||||
|
|
||||||
|
# 将矩阵压成一行逐个输出元素
|
||||||
|
arr2_flat=arr2.flatten()
|
||||||
|
print(arr2_flat)
|
||||||
|
|
||||||
|
for i in arr2.flat: # 也可以用arr2.flatten()
|
||||||
|
print(i)
|
||||||
|
|
||||||
|
# 矩阵合并与分割
|
||||||
|
# 矩阵合并
|
||||||
|
arr1=np.array([1,2,3,6])
|
||||||
|
arr2=np.arange(4)
|
||||||
|
arr3=np.arange(2,16+1,2).reshape(2,4)
|
||||||
|
print(arr1)
|
||||||
|
print(arr2)
|
||||||
|
print(arr3)
|
||||||
|
|
||||||
|
arr_hor=np.hstack((arr1,arr2)) # 水平合并，horizontal
|
||||||
|
arr_ver=np.vstack((arr1,arr3)) # 垂直合并，vertical
|
||||||
|
print(arr_hor)
|
||||||
|
print(arr_ver)
|
||||||
|
|
||||||
|
# 矩阵分割
|
||||||
|
print('arr3: ',arr3)
|
||||||
|
print(np.split(arr3,4,axis=1)) # 将矩阵按列均分成4块
|
||||||
|
print(np.split(arr3,2,axis=0)) # 将矩阵按行均分成2块
|
||||||
|
print(np.hsplit(arr3,4)) # 将矩阵按列均分成4块
|
||||||
|
print(np.vsplit(arr3,2)) # 将矩阵按行均分成2块
|
||||||
|
print(np.array_split(arr3,3,axis=1)) # 将矩阵进行不均等划分
|
||||||
|
|
||||||
|
# numpy复制：浅复制，深复制
|
||||||
|
# 浅复制
|
||||||
|
arr1=np.array([3,1,2,3])
|
||||||
|
print(arr1)
|
||||||
|
a1=arr1
|
||||||
|
b1=a1
|
||||||
|
# 通过上述赋值运算，arr1,a1,b1都指向了同一个地址（浅复制）
|
||||||
|
print(a1 is arr1)
|
||||||
|
print(b1 is arr1)
|
||||||
|
print(id(a1))
|
||||||
|
print(id(b1))
|
||||||
|
print(id(arr1))
|
||||||
|
|
||||||
|
# 会发现通过b1[0]改变内容，arr1,a1,b1的内容都改变了
|
||||||
|
b1[0]=6
|
||||||
|
print(b1)
|
||||||
|
print(a1)
|
||||||
|
print(arr1)
|
||||||
|
|
||||||
|
# 深复制
|
||||||
|
arr2=np.array([3,1,2,3])
|
||||||
|
print('\n')
|
||||||
|
print(arr2)
|
||||||
|
b2=arr2.copy() # 深复制，此时b2拥有不同于arr2的空间
|
||||||
|
a2=b2.copy()
|
||||||
|
# 通过上述赋值运算，arr1,a1,b1都指向了不同的地址（深复制）
|
||||||
|
print(id(arr2))
|
||||||
|
print(id(a2))
|
||||||
|
print(id(b2))
|
||||||
|
# 此时改变b2,a2的值，互不影响
|
||||||
|
b2[0]=1
|
||||||
|
a2[0]=2
|
||||||
|
print(b2)
|
||||||
|
print(a2)
|
||||||
|
print(arr2)
|
||||||
|
|
||||||
|
# 线性代数模块（linalg）
|
||||||
|
# 求范数
|
||||||
|
a=np.array([5,12])
|
||||||
|
print(a)
|
||||||
|
b=np.linalg.norm(a) # norm表示范数，默认求2范数，ord=1求1范数，ord=np.inf求无穷范数
|
||||||
|
print(b)
|
||||||
|
|
||||||
|
# 求矩阵的迹、行列式、秩、特征值、特征向量
|
||||||
|
b = np.array([
|
||||||
|
[1, 2, 3],
|
||||||
|
[4, 5, 6],
|
||||||
|
[7, 8, 9]
|
||||||
|
])
|
||||||
|
|
||||||
|
print(np.trace(b)) # 15，求矩阵的迹（主对角线上各个元素的总和）
|
||||||
|
|
||||||
|
c=np.linalg.det(b)
|
||||||
|
print(c) # 输出一个很小的值6.66133814775e-16，求矩阵的行列式值
|
||||||
|
# 如果希望输出为0，使用round(c, 2)，四舍五入保留小数点后两位
|
||||||
|
# 不过对精度要求高可以使用decimal模块
|
||||||
|
|
||||||
|
c=np.linalg.matrix_rank(b)
|
||||||
|
print(c) # 2，求矩阵的秩
|
||||||
|
|
||||||
|
u,v=np.linalg.eig(b) # u为特征值
|
||||||
|
print(u)
|
||||||
|
print(v)
|
||||||
|
|
||||||
|
# 矩阵分解
|
||||||
|
# Cholesky分解并重建
|
||||||
|
d = np.array([
|
||||||
|
[2, 1],
|
||||||
|
[1, 2]
|
||||||
|
])
|
||||||
|
|
||||||
|
l = np.linalg.cholesky(d)
|
||||||
|
print(l) # 得到下三角矩阵
|
||||||
|
e=np.dot(l, l.T)
|
||||||
|
print(e) # 重建得到矩阵d
|
||||||
|
|
||||||
|
|
||||||
|
# 对不正定矩阵，进行SVD分解并重建
|
||||||
|
U, s, V = np.linalg.svd(d)
|
||||||
|
|
||||||
|
S = np.array([
|
||||||
|
[s[0], 0],
|
||||||
|
[0, s[1]]
|
||||||
|
])
|
||||||
|
|
||||||
|
print(np.dot(U, np.dot(S, V))) # 重建得到矩阵d
|
||||||
|
|
||||||
|
# 矩阵乘法
|
||||||
|
# https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html#numpy.dot
|
||||||
|
print(np.dot(3, 4)) # 12，0-D矩阵相乘（也就是标量相乘）
|
||||||
|
|
||||||
|
print(np.dot([2j, 3j], [2j, 3j])) # (-13+0j)，1-D矩阵相乘（实际上是向量做点积）
|
||||||
|
|
||||||
|
a=[[1, 0], [0, 1]]
|
||||||
|
b=[[4, 1, 0], [2, 2, 0]]
|
||||||
|
print(np.dot(a, b))
|
||||||
|
'''
|
||||||
|
array([[4, 1],
|
||||||
|
[2, 2]])
|
||||||
|
2-D矩阵相乘
|
||||||
|
这里是2*2矩阵和2*3矩阵相乘，结果为2*3矩阵
|
||||||
|
'''
|
||||||
|
|
||||||
|
a=[[1, 0], [1, 2]]
|
||||||
|
b=[2,2]
|
||||||
|
c=np.dot(a,b)
|
||||||
|
print(c)
|
||||||
|
'''
|
||||||
|
[2 6]
|
||||||
|
注意这里b是向量
|
||||||
|
numpy处理时并不是按照矩阵乘法规则计算
|
||||||
|
而是向量点积
|
||||||
|
也就是np.dot([1, 0],[1, 2])和np.dot([1, 2],[2,2])
|
||||||
|
'''
|
||||||
|
|
||||||
|
# 再做个实验来区别向量乘法和矩阵乘法
|
||||||
|
b=np.array([
|
||||||
|
[1, 2, 3],
|
||||||
|
[4, 5, 6],
|
||||||
|
[7, 8, 9]
|
||||||
|
])
|
||||||
|
|
||||||
|
# 这里插播一下，np.array([1,0,1])是3维向量，而不是1*3的矩阵
|
||||||
|
c1=np.array([[1,0,2]])
|
||||||
|
print(c1.shape) # (1, 3)，这是一个1*3的矩阵
|
||||||
|
c2=np.array([1,0,2])
|
||||||
|
print(c2.shape) # (3,)，这是一个3维向量
|
||||||
|
|
||||||
|
# print(np.dot(b,c1)) # 报错，不符合矩阵乘法规则
|
||||||
|
print(np.dot(b,c2)) # [ 7 16 25]，点积运算
|
||||||
|
|
||||||
|
print(np.dot(c1,b)) # [[15 18 21]]，矩阵乘法运算规则
|
||||||
|
print(np.dot(c2,b)) # [15 18 21]，点积运算
|
||||||
|
|
||||||
|
# 还要补充一下，如果是用python自带的*运算符计算则是广播机制
|
||||||
|
print(b*c1) # print(b*c2)结果一样
|
||||||
|
'''
|
||||||
|
[[ 1 0 6]
|
||||||
|
[ 4 0 12]
|
||||||
|
[ 7 0 18]]
|
||||||
|
'''
|
||||||
|
print(b+c1) # print(b*c2)结果一样
|
||||||
|
'''
|
||||||
|
[[ 2 2 5]
|
||||||
|
[ 5 5 8]
|
||||||
|
[ 8 8 11]]
|
||||||
|
'''
|
||||||
Loading…
Reference in New Issue