Python数据处理之(四)numpy基础运算1

版权声明:本文为博主原创文章,转载请注明出处! https://blog.csdn.net/PoGeN1/article/details/84205608

一、一维矩阵的基础运算

下例中 ab是两个属性为array也就是矩阵的变量,而且二者都是1行4列的矩阵, 其中b矩阵中的元素分别是从03。 如果我们想要求两个矩阵之间的减法,你可以尝试着输入:a-b,得到的结果是对应元素相减的结果也就是[10 19 28 37],同理元素的相加相乘操作也是一样的,但是需要注意:python中的xy次方是通过x**y语句实现的。另外,Numpy中具有很多的数学函数工具,比如三角函数等,当我们需要对矩阵中每一项元素进行函数运算时,可以很简便的调用它们。除了函数应用外,在脚本中对print函数进行一些修改可以进行逻辑判断,此时由于进行逻辑判断,返回的是一个bool类型的矩阵,即对满足要求的返回True,不满足的返回False。下述程序执行后得到的结果是[True True True False]。 需要注意的是,如果想要执行是否相等的判断, 依然需要输入==而不是= 来完成相应的逻辑判断。

下述运算均是建立在一维矩阵,即只有一行的矩阵上面的计算。

>>> import numpy as np
>>> a=np.array([10,20,30,40])
>>> b=np.arange(4)
>>> print(a)
[10 20 30 40]
>>> print(b)
[0 1 2 3]
>>> print(a-b)
[10 19 28 37]
>>> print(a+b)
[10 21 32 43]
>>> print(b**2)
[0 1 4 9]
>>> print(np.sin(a))
[-0.54402111  0.91294525 -0.98803162  0.74511316]
>>> print(b<3)
[ True  True  True False]
>>> 

二、二维矩阵的基础运算

构建两行两列的矩阵a,b

>>> import numpy as np
>>> a=np.array([[1,1],[0,1]])
>>> print(a)
[[1 1]
 [0 1]]
>>> b=np.arange(4).reshape((2,2))
>>> print(b)
[[0 1]
 [2 3]]

此时构造出来的矩阵ab便是22列的,其中reshape操作是对矩阵的形状进行重构, 其重构的形状便是括号中给出的数字。 稍显不同的是,Numpy中的矩阵乘法分为两种, 其一是前文中的对应元素相乘,其二是标准的矩阵乘法运算(dot),即对应行乘对应列得到相应元素:

>>> c=np.dot(a,b)
>>> print(c)
[[2 4]
 [2 3]]

除此之外还有另外的一种关于dot的表示方法,即:

>>> c=a.dot(b)
>>> print(c)
[[2 4]
 [2 3]]

下面我们将重新定义一个脚本, 来看看关于 sum(), min(), max()的使用:

>>> import numpy as np
>>> a=np.random.random((2,4))
>>> print(a)
[[0.07010833 0.19889998 0.38917305 0.0794427 ]
 [0.81524484 0.96631118 0.95301291 0.25478591]]

因为是随机生成数字, 所以你的结果可能会不一样. 在第二行中对a的操作是令a中生成一个2行4列的矩阵,且每一元素均是来自从0到1的随机数。 在这个随机生成的矩阵中,我们可以对元素进行求和以及寻找极值的操作,具体如下:

>>> np.sum(a)
3.7269788971146403
>>> np.min(a)
0.07010832669552214
>>> np.max(a)
0.9663111797693855

对应的便是对矩阵中所有元素进行求和,寻找最小值,寻找最大值的操作。 可以通过print()函数对相应值进行打印检验。

如果你需要对行或者列进行查找运算,就需要在上述代码中为 axis 进行赋值。 当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。

为了更加清晰,在刚才的例子中我们继续进行查找:

>>> print('a=',a)
a= [[0.07010833 0.19889998 0.38917305 0.0794427 ]
 [0.81524484 0.96631118 0.95301291 0.25478591]]
>>> print('sum=',np.sum(a,axis=1))
sum= [0.73762406 2.98935484]
>>> print('sum=',np.sum(a,axis=0))
sum= [0.88535317 1.16521116 1.34218596 0.33422861]
>>> print('sum=',np.min(a,axis=0))
sum= [0.07010833 0.19889998 0.38917305 0.0794427 ]
>>> print('sum=',np.max(a,axis=1))
sum= [0.38917305 0.96631118]

猜你喜欢

转载自blog.csdn.net/PoGeN1/article/details/84205608