Numpy中陣列、向量和矩陣的常用方法
阿新 • • 發佈:2021-11-03
介紹了Numpy中陣列、向量和矩陣的常用方法
1. 轉置矩陣或向量
# 載入庫 import numpy as np # 建立向量 vector = np.array([1, 2, 3, 4, 5, 6]) # 建立矩陣 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 轉置向量 vector.T #out: array([1, 2, 3, 4, 5, 6]) # 轉置矩陣 matrix.T ''' out: array([[1, 4, 7], [2, 5, 8], [3, 6, 9]]) '''
2. 選擇陣列中的元素
# 載入庫 import numpy as np # 建立行向量 vector = np.array([1, 2, 3, 4, 5, 6]) # 選擇第二個元素 vector[1] # out: 2 # 建立矩陣 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 選擇第二行第二列 matrix[1,1] # out: 5 # 建立矩陣 tensor = np.array([ [[[1, 1], [1, 1]], [[2, 2], [2, 2]]], [[[3, 3], [3, 3]], [[4, 4], [4, 4]]] ]) # 選擇三個維度的每個的第二個元素 tensor[1,1,1] # out: array([4, 4])
3. 陣列變形
# 載入庫
import numpy as np
# 建立 4x3 矩陣
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[10, 11, 12]])
# 將矩陣變形為 2x6 矩陣
matrix.reshape(2, 6)
'''
out:
array([[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12]])
'''
4. 計算兩個向量的點積
# 載入庫
import numpy as np
# 建立兩個向量
vector_a = np.array([1,2,3])
vector_b = np.array([4,5,6])
# 計算點積
np.dot(vector_a, vector_b)
# out: 32
# 計算點積
vector_a @ vector_b
# out: 32
5. 對元素應用操作
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 建立加上 100 的函式
add_100 = lambda i: i + 100
# 建立向量化函式
vectorized_add_100 = np.vectorize(add_100)
# 對矩陣的所有元素應用函式
vectorized_add_100(matrix)
'''
out:
array([[101, 102, 103],
[104, 105, 106],
[107, 108, 109]])
'''
6. 矩陣相關性質
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 4],
[2, 5]])
# 計算矩陣的逆
np.linalg.inv(matrix)
'''
out:
array([[-1.66666667, 1.33333333],
[ 0.66666667, -0.33333333]])
'''
# 獲取矩陣對角線
matrix.diagonal()
# out: array([1, 5])
# 獲取矩陣的跡
matrix.diagonal().sum()
# out: 6
# 獲取矩陣的秩
np.linalg.matrix_rank(matrix)
# out: 2
# 獲取矩陣的行列式
np.linalg.det(matrix)
# out: -2.9999999999999996
7. 展開矩陣
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 展開矩陣
matrix.flatten()
# out: array([1, 2, 3, 4, 5, 6, 7, 8, 9])
8. 求最大值和最小值
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 返回最大元素
np.max(matrix)
# out: 9
# 返回最小元素
np.min(matrix)
# out: 1
# 尋找每列的最大元素
np.max(matrix, axis=0)
# out: array([7, 8, 9])
# 尋找每行的最大元素
np.max(matrix, axis=1)
# out: array([3, 6, 9])
9. 描述矩陣大小
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
# 檢視行和列數
matrix.shape
# out: (3, 4)
# 檢視元素數(行乘列)
matrix.size
# out: 12
# 檢視維數
matrix.ndim
# out: 2
10. 矩陣的加和減
# 載入庫
import numpy as np
# 建立矩陣
matrix_a = np.array([[1, 1, 1],
[1, 1, 1],
[1, 1, 2]])
# 建立矩陣
matrix_b = np.array([[1, 3, 1],
[1, 3, 1],
[1, 3, 8]])
# 將兩個矩陣相加
np.add(matrix_a, matrix_b)
'''
out:
array([[ 2, 4, 2],
[ 2, 4, 2],
[ 2, 4, 10]])
'''
# 將兩個矩陣相減
np.subtract(matrix_a, matrix_b)
'''
out:
array([[ 0, -2, 0],
[ 0, -2, 0],
[ 0, -2, -6]])
'''
11. 建立稀疏矩陣
# Load libraries
import numpy as np
from scipy import sparse
# 建立矩陣
matrix = np.array([[0, 0],
[0, 1],
[3, 0]])
# 建立壓縮稀疏行(CSR)矩陣
matrix_sparse = sparse.csr_matrix(matrix)
注意:有許多型別的稀疏矩陣。 在上面的示例中,我們使用 CSR,但我們使用的型別應該反映我們的用例。
12. 將字典轉換為矩陣
# 載入庫
from sklearn.feature_extraction import DictVectorizer
# 我們的資料字典
data_dict = [{'Red': 2, 'Blue': 4},
{'Red': 4, 'Blue': 3},
{'Red': 1, 'Yellow': 2},
{'Red': 2, 'Yellow': 2}]
# 建立 DictVectorizer 物件
dictvectorizer = DictVectorizer(sparse=False)
# 將字典轉換為特徵矩陣
features = dictvectorizer.fit_transform(data_dict)
# 檢視特徵矩陣
features
'''
out:
array([[ 4., 2., 0.],
[ 3., 4., 0.],
[ 0., 1., 2.],
[ 0., 2., 2.]])
'''
# 檢視特徵矩陣的列名
dictvectorizer.get_feature_names()
# ['Blue', 'Red', 'Yellow']
13. 計算均值、方差和標準差
# 載入庫
import numpy as np
# 建立矩陣
matrix = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 返回均值
np.mean(matrix)
# out: 5.0
# 返回方差
np.var(matrix)
# out: 6.666666666666667
# 返回標準差
np.std(matrix)
# out: 2.5819888974716112