默认情况下,所有的NumPy函数都可以通过SciPy命名空间获得。 当导入SciPy时,不需要显式导入NumPy函数。 NumPy的主要目标是均匀多维数组。 它是一个元素表(通常是数字),都是相同类型,由正整数的元组索引。 在NumPy中,大小(尺寸)被称为轴。 轴的数量称为等级。
现在,让修改NumPy中的Vectors和Matrices的基本功能。 由于SciPy构建在NumPy数组之上,因此需要了解NumPy基础知识。 由于线性代数的大多数部分只处理矩阵。
NumPy向量
向量(Vector)可以通过多种方式创建。 其中一些描述如下。
将Python数组类对象转换为NumPy中的数组,看看下面的例子。
import numpy as np
list = [1,2,3,4]
arr = np.array(list)
print (arr)
执行上面示例代码,得到以下结果 -
[1 2 3 4]
内在NumPy数组创建
NumPy有从头开始创建数组的内置函数。 其中一些函数解释如下。
使用zeros()
zeros(shape)
函数将创建一个用指定形状(shape)填充0
值的数组。 默认dtype
是float64
。 看看下面的例子。
import numpy as np
print (np.zeros((2, 3)))
执行上面示例代码,得到以下结果 -
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
使用ones()
ones(shape)
函数将创建一个填充1
值的数组。 它在所有其他方面与0
相同。 看看下面的例子。
import numpy as np
print (np.ones((2, 3)))
执行上面示例代码,得到以下结果 -
array([[ 1., 1., 1.],
[ 1., 1., 1.]])
使用arange()
arange()
函数将创建具有有规律递增值的数组。 看看下面的例子。
import numpy as np
print (np.arange(7))
执行上面示例代码,得到以下结果 -
array([0, 1, 2, 3, 4, 5, 6])
定义值的数据类型
看看下面一段示例代码 -
import numpy as np
arr = np.arange(2, 10, dtype = np.float)
print (arr)
print ()"Array Data Type :",arr.dtype)
执行上面示例代码,得到以下结果 -
[ 2. 3. 4. 5. 6. 7. 8. 9.]
Array Data Type : float64
使用linspace()
linspace()
函数将创建具有指定数量元素的数组,这些元素将在指定的开始值和结束值之间平均间隔。 看看下面的例子。
import numpy as np
print (np.linspace(1., 4., 6))
执行上面示例代码,得到以下结果 -
array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])
矩阵
矩阵是一个专门的二维数组,通过操作保留其2-D
特性。 它有一些特殊的运算符,如*
(矩阵乘法)和**
(矩阵幂值)。 看看下面的例子。
import numpy as np
print (np.matrix('1 2; 3 4'))
执行上面示例代码,得到以下结果 -
matrix([[1, 2],
[3, 4]])
矩阵的共轭转置
此功能返回自我的(复数)共轭转置。 看看下面的例子。
import numpy as np
mat = np.matrix('1 2; 3 4')
print (mat.H)
执行上面示例代码,得到以下结果 -
matrix([[1, 3],
[2, 4]])
矩阵的转置
此功能返回自身的转置。看看下面的例子。
import numpy as np
mat = np.matrix('1 2; 3 4')
print (mat.T)
执行上面示例代码,得到以下结果 -
matrix([[1, 3],
[2, 4]])
当转置一个矩阵时,我们创建一个新的矩阵,其行是原始的列。 另一方面,共轭转置为每个矩阵元素交换行和列索引。 矩阵的逆矩阵是一个矩阵,如果与原始矩阵相乘,则产生一个单位矩阵。