NumPy常用方法总结(4)

当前位置:

首页 > Python基础教程 >

NumPy常用方法总结(4)

矩阵运算

matlab中有.* ,./等等

但是在numpy中，如果使用+，-，×，/优先执行的是各个点之间的加减乘除法

如果两个矩阵（方阵）可既以元素之间对于运算，又能执行矩阵运算会优先执行元素之间的运算

>>> import numpy as np

>>> A = np.arange(10,20)

>>> B = np.arange(20,30)

>>> A + B

array([30, 32, 34, 36, 38, 40, 42, 44, 46, 48])

>>> A * B

array([200, 231, 264, 299, 336, 375, 416, 459, 504, 551])

>>> A / B

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

>>> B / A

array([2, 1, 1, 1, 1, 1, 1, 1, 1, 1])

如果需要执行矩阵运算，一般就是矩阵的乘法运算

>>> A = np.array([1,1,1,1])

>>> B = np.array([2,2,2,2])

>>> A.reshape(2,2)

array([[1, 1],

       [1, 1]])

>>> B.reshape(2,2)

array([[2, 2],

       [2, 2]])

>>> A * B

array([2, 2, 2, 2])

>>> np.dot(A,B)

8

>>> A.dot(B)

8

一些常用的全局函数

>>> B = np.arange(3)

>>> B

array([0, 1, 2])

>>> np.exp(B)

array([ 1.        ,  2.71828183,  7.3890561 ])

>>> np.sqrt(B)

array([ 0.        ,  1.        ,  1.41421356])

>>> C = np.array([2., -1., 4.])

>>> np.add(B, C)

array([ 2.,  0.,  6.])

矩阵的索引分片遍历

>>> a = np.arange(10)**3

>>> a

array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])

>>> a[2]

8

>>> a[2:5]

array([ 8, 27, 64])

>>> a[:6:2] = -1000    # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000

>>> a

array([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,   729])

>>> a[ : :-1]                                 # reversed a

array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])

>>> for i in a:

...     print(i**(1/3.))

...

nan

1.0

nan

3.0

nan

5.0

6.0

7.0

8.0

9.0

栏目列表