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。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：
復制代碼 代碼如下:
import numpy as np
print np.version.version
1.6.2
2、多維數組
多維數組的類型是：numpy.ndarray。
-- 使用numpy.array方法
以list或tuple變量為參數產生一維數組：
復制代碼 代碼如下:
print np.array([1,2,3,4])
[1 2 3 4]
print np.array((1.2,2,3,4))
[ 1.2 2. 3. 4. ]
print type(np.array((1.2,2,3,4)))
<type 'numpy.ndarray'>
以list或tuple變量為元素產生二維數組：
復制代碼 代碼如下:
print np.array([[1,2],[3,4]])
[[1 2]
[3 4]]
生成數組的時候，可以指定數據類型，例如numpy.int32, numpy.int16, and numpy.float64等：
復制代碼 代碼如下:
print np.array((1.2,2,3,4), dtype=np.int32)
[1 2 3 4]
使用numpy.arange方法
復制代碼 代碼如下:
print np.arange(15)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
print type(np.arange(15))
<type 'numpy.ndarray'>
print np.arange(15).reshape(3,5)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
print type(np.arange(15).reshape(3,5))
<type 'numpy.ndarray'>
使用numpy.linspace方法
例如，在從1到3中產生9個數：
復制代碼 代碼如下:
print np.linspace(1,3,9)
[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]
使用numpy.zeros，numpy.ones，numpy.eye等方法可以構造特定的矩陣
例如：
復制代碼 代碼如下:
print np.zeros((3,4))
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
print np.ones((3,4))
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
print np.eye(3)
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
創(chuàng)建一個三維數組：
復制代碼 代碼如下:
print np.zeros((2,2,2))
[[[ 0. 0.]
[ 0. 0.]]
[[ 0. 0.]
[ 0. 0.]]]
獲取數組的屬性：
復制代碼 代碼如下:
a = np.zeros((2,2,2))
print a.ndim #數組的維數
3
print a.shape #數組每一維的大小
(2, 2, 2)
print a.size #數組的元素數
8
print a.dtype #元素類型
float64
print a.itemsize #每個元素所占的字節(jié)數
8
數組索引，切片，賦值
示例：
復制代碼 代碼如下:
a = np.array( [[2,3,4],[5,6,7]] )
print a
[[2 3 4]
[5 6 7]]
print a[1,2]
7
print a[1,:]
[5 6 7]
print a[1,1:2]
[6]
a[1,:] = [8,9,10]
print a
[[ 2 3 4]
[ 8 9 10]]
使用for操作元素
復制代碼 代碼如下:
for x in np.linspace(1,3,3):
... print x
...
1.0
2.0
print np.arange(15)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
>>> print type(np.arange(15))
<type 'numpy.ndarray'>
>>> print np.arange(15).reshape(3,5)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
>>> print type(np.arange(15).reshape(3,5))
<type 'numpy.ndarray'>
使用numpy.linspace方法
例如，在從1到3中產生9個數：
復制代碼 代碼如下:
>>> print np.linspace(1,3,9)
[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]
使用numpy.zeros，numpy.ones，numpy.eye等方法可以構造特定的矩陣
例如：
復制代碼 代碼如下:
>>> print np.zeros((3,4))
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
>>> print np.ones((3,4))
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
>>> print np.eye(3)
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
創(chuàng)建一個三維數組：
復制代碼 代碼如下:
>>> print np.zeros((2,2,2))
[[[ 0. 0.]
[ 0. 0.]]
[[ 0. 0.]
[ 0. 0.]]]
獲取數組的屬性：
復制代碼 代碼如下:
>>> a = np.zeros((2,2,2))
>>> print a.ndim #數組的維數
3
>>> print a.shape #數組每一維的大小
(2, 2, 2)
>>> print a.size #數組的元素數
8
>>> print a.dtype #元素類型
float64
>>> print a.itemsize #每個元素所占的字節(jié)數
8
數組索引，切片，賦值
示例：
復制代碼 代碼如下:
>>> a = np.array( [[2,3,4],[5,6,7]] )
>>> print a
[[2 3 4]
[5 6 7]]
>>> print a[1,2]
7
>>> print a[1,:]
[5 6 7]
>>> print a[1,1:2]
[6]
>>> a[1,:] = [8,9,10]
>>> print a
[[ 2 3 4]
[ 8 9 10]]
使用for操作元素
復制代碼 代碼如下:
>>> for x in np.linspace(1,3,3):
... print x
...
1.0
2.0
3.0
基本的數組運算
先構造數組a、b：
復制代碼 代碼如下:
a = np.ones((2,2))
b = np.eye(2)
print a
[[ 1. 1.]
[ 1. 1.]]
print b
print np.arange(15).reshape(3,5)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
>>> print type(np.arange(15).reshape(3,5))
<type 'numpy.ndarray'>
使用numpy.linspace方法
例如，在從1到3中產生9個數：
復制代碼 代碼如下:
>>> print np.linspace(1,3,9)
[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]
使用numpy.zeros，numpy.ones，numpy.eye等方法可以構造特定的矩陣
例如：
復制代碼 代碼如下:
>>> print np.zeros((3,4))
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
>>> print np.ones((3,4))
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
>>> print np.eye(3)
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
創(chuàng)建一個三維數組：
復制代碼 代碼如下:
>>> print np.zeros((2,2,2))
[[[ 0. 0.]
[ 0. 0.]]
[[ 0. 0.]
[ 0. 0.]]]
獲取數組的屬性：
復制代碼 代碼如下:
>>> a = np.zeros((2,2,2))
>>> print a.ndim #數組的維數
3
>>> print a.shape #數組每一維的大小
(2, 2, 2)
>>> print a.size #數組的元素數
8
>>> print a.dtype #元素類型
float64
>>> print a.itemsize #每個元素所占的字節(jié)數
8
數組索引，切片，賦值
示例：
復制代碼 代碼如下:
>>> a = np.array( [[2,3,4],[5,6,7]] )
>>> print a
[[2 3 4]
[5 6 7]]
>>> print a[1,2]
7
>>> print a[1,:]
[5 6 7]
>>> print a[1,1:2]
[6]
>>> a[1,:] = [8,9,10]
>>> print a
[[ 2 3 4]
[ 8 9 10]]
使用for操作元素
復制代碼 代碼如下:
>>> for x in np.linspace(1,3,3):
... print x
...
1.0
2.0
3.0
基本的數組運算
先構造數組a、b：
復制代碼 代碼如下:
>>> a = np.ones((2,2))
>>> b = np.eye(2)
>>> print a
[[ 1. 1.]
[ 1. 1.]]
>>> print b
[[ 1. 0.]
[ 0. 1.]]
數組的加減乘除：
復制代碼 代碼如下:
print a > 2
[[False False]
[False False]]
print a+b
[[ 2. 1.]
[ 1. 2.]]
print a-b
[[ 0. 1.]
[ 1. 0.]]
print b2
[[ 2. 0.]
[ 0. 2.]]
print (a2)(b2)
[[ 4. 0.]
[ 0. 4.]]
print b/(a2)
[[ 0.5 0. ]
[ 0. 0.5]]
print (a2)**4
[[ 16. 16.]
[ 16. 16.]]
使用數組對象自帶的方法：
復制代碼 代碼如下:
a.sum()
4.0
a.sum(axis=0) #計算每一列（二維數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：
復制代碼 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print a.shape #數組每一維的大小
(2, 2, 2)
>>> print a.size #數組的元素數
8
>>> print a.dtype #元素類型
float64
>>> print a.itemsize #每個元素所占的字節(jié)數
8
數組索引，切片，賦值
示例：
復制代碼 代碼如下:
>>> a = np.array( [[2,3,4],[5,6,7]] )
>>> print a
[[2 3 4]
[5 6 7]]
>>> print a[1,2]
7
>>> print a[1,:]
[5 6 7]
>>> print a[1,1:2]
[6]
>>> a[1,:] = [8,9,10]
>>> print a
[[ 2 3 4]
[ 8 9 10]]
使用for操作元素
復制代碼 代碼如下:
>>> for x in np.linspace(1,3,3):
... print x
...
1.0
2.0
3.0
基本的數組運算
先構造數組a、b：
復制代碼 代碼如下:
>>> a = np.ones((2,2))
>>> b = np.eye(2)
>>> print a
[[ 1. 1.]
[ 1. 1.]]
>>> print b
[[ 1. 0.]
[ 0. 1.]]
數組的加減乘除：
復制代碼 代碼如下:
>>> print a > 2
[[False False]
[False False]]
>>> print a+b
[[ 2. 1.]
[ 1. 2.]]
>>> print a-b
[[ 0. 1.]
[ 1. 0.]]
>>> print b2
[[ 2. 0.]
[ 0. 2.]]
>>> print (a2)(b2)
[[ 4. 0.]
[ 0. 4.]]
>>> print b/(a2)
[[ 0.5 0. ]
[ 0. 0.5]]
>>> print (a2)**4
[[ 16. 16.]
[ 16. 16.]]
使用數組對象自帶的方法：
復制代碼 代碼如下:
>>> a.sum()
4.0
>>> a.sum(axis=0) #計算每一列（二維數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：
復制代碼 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.]])
合并數組
使用numpy下的vstack和hstack函數：
復制代碼 代碼如下:
a = np.ones((2,2))
b = np.eye(2)
print np.vstack((a,b))
[[ 1. 1.]
[ 1. 1.]
[ 1. 0.]
[ 0. 1.]]
print np.hstack((a,b))
[[ 1. 1. 1. 0.]
[ 1. 1. 0. 1.]]
看一下這兩個函數有沒有涉及到淺拷貝這種問題：
復制代碼 代碼如下:
c = np.hstack((a,b))
print c
[[ 1. 1. 1. 0.]
[ 1. 1. 0. 1.]]
a[1,1] = 5
b[1,1] = 5
print c
[[ 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。
深拷貝數組
數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：
復制代碼 代碼如下:
a = np.ones((2,2))
b = a
b is a
True
c = a.copy() #深拷貝
c is a
False
基本的矩陣運算
轉置：
復制代碼 代碼如下:
a = np.array([[1,0],[2,3]])
print a
[[1 0]
[2 3]]
print a.transpose()
[[1 2]
[0 3]]
跡：
復制代碼 代碼如下:
print np.trace(a)
4
numpy.linalg模塊中有很多關于矩陣運算的方法：
復制代碼 代碼如下:
import numpy.linalg as nplg
特征值、特征向量：
復制代碼 代碼如下:
print nplg.eig(a)
(array([ 3., 1.]), array([[ 0. , 0.70710678],
[ 1. , -0.70710678]]))
代碼：
import numpy as np
import numpy.linalg as nplg
# 構造數組 一維 二維 三維
print(np.array([1,2,3,4]))
print(np.array([[1,2],[3,4]]))
print(np.arange(15))
print(np.arange(15).reshape(3,5))
print(np.linspace(1,3,9))
# 0矩陣 1矩陣 單位矩陣
print(np.zeros((3,4)))
print(np.ones((2,3)))
print(np.eye(3))
# 獲取矩陣屬性
a = np.array([[1,2],[3,4]])
b = np.array([[2,2],[2,3]])
print(a[1,1])
print(a[1,:])
# 矩陣運算
print(a+b)
# 轉置
print(a.transpose())
# 特征值 特征向量
print(nplg.eig(a))
