numpy常用方法详解（array，matrix差别分析）

numpy/reference: https://docs.scipy.org/doc/numpy-1.10.0/reference/generated/

数据array相乘，矩阵matrix相乘运算的差别

MATLAB中矩阵相乘用星号"*"，元素相乘用点星 ".*"

对于array数据，对应元素相乘也就是每个元素的平方，直接用星号*

a=np.array([[1,2,3], 
          [4,5,6]])
print(a*a)
print(a**2) # 对应元素相乘,结果相等

结果都是：

[[ 1  4  9]
 [16 25 36]]

对于array数据，矩阵的乘法用函数 np.dot()

a=np.array([[1,2,3], 
          [4,5,6]])
print( np.dot(a,a.T))  
print( a.dot(a.T)) #另一种写法 

结果都是：

[[14 32]
 [32 77]]

对于matrix数据，对应元素相乘，即元素平方，用函数 np.multiply(a,a)

a=np.mat([[1,2,3],
          [4,5,6]])
np.multiply(a,a)

结果：

matrix([[ 1,  4,  9],
        [16, 25, 36]])

对于matrix数据，矩阵乘法， 用星号* ，或者函数， np.dot()

a=np.mat([[1,2,3],
          [4,5,6]])
print (np.dot(a,a.T))   #矩阵乘法
print (a*a.T)

结果：matrix([[14, 32],
        [32, 77]])

其它一些矩阵运算：

数据array的指数运算，使用**，

a=np.array([[-1,2,3],
            [2,-4,6]])
print(a**3)

结果：

array([[ -1,   8,  27],
       [  8, -64, 216]], dtype=int32)

合并数组

import numpy as np
#np.hstack(a,b)#!注意 只接受一个参数，list或者tuple
#np.vstack(a,b)
a1 = np.array([[1,2],
             [4,5]])
a2 = np.array([3,6])
a2.shape=1,2
print(np.vstack((a1,a2)))#垂直放，列要求相等
a2.shape=2,1
print(np.hstack([a1,a2]))#水平放，行要求相等

一维的array不区分行列，所以转置操作无效。可以通过shape属性，变为二维再使用转置

用数组的shape属性调整维度，升维降维，等价于reshape (r,c)

特征向量按特征值排序

value,eigvector = np.linalg.eig(Cx) 
indices = np.argsort(value)   
indices[::-1]
eigvector[:,indices]