Python矩形轉置transpose--實戰應用詳解
在讀圖片時,會用到這麼的一段程式碼:
image_vector_len = np.prod(image_size)#總元素大小,3*55*47
img = Image.open(path)
arr_img = np.asarray(img, dtype='float64')
arr_img = arr_img.transpose(2,0,1).reshape((image_vector_len, ))# 47行,55列,每個點有3個元素rgb。再把這些元素一字排開
transpose是什麼意識呢? 看如下例子:
arr1 = array([[[ 0, 1, 2, 3],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
這是原來的矩陣。如果對其進行轉置,執行arr2 = arr1.transpose((1,0,2))
得到:array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
過程是怎樣的?
arr1.shape 應該是(2, 2, 4) 意為 2維,2*4矩陣
arr1.transpose(*args) 裡面的引數,可以這麼理解,他是調換arr1.shape的順序,咱來給arr1.shape標一下角標哈,(2[0], 2[1], 4[2]) [ ] 裡是shape的索引,對吧,
transpose((1, 0, 2)) 的意思是 按照這個順序 重新設定shape 也就是 (2[1], 2[0], 4[2])
雖然看起來 變換前後的shape都是 2,2,4 , 但是問題來了,transpose是轉置
shape按照(1,0,2)的順序重新設定了, array裡的所有元素 也要按照這個規則重新組成新矩陣
比如 8 在arr1中的索引是 (1, 0, 0) 那麼按照剛才的變換規則,就是 (0, 1, 0) 看看跟你結果arr2的位置一樣了吧,依此類推..
NumPy庫的核心是矩陣及其運算。
使用array()函式可以將python的array_like資料轉變成陣列形式,使用matrix()函式轉變成矩陣形式。
基於習慣,在實際使用中較常用array而少用matrix來表示矩陣。
然後即可使用相關的矩陣運算了
import numpy as np a = [[1,2,3],[4,5,5],[4,5,5]] len = a.shape[0] #多維陣列的行數 print(a.dtype) #輸出元素型別 #另外也還可以使用切片方式來處理陣列
然後是涉及到的ufunc(universal function)運算,它是一種能對陣列的每個元素進行操作的函式。NumPy內建的許多ufunc函式都是在C語言級別實現的,因此它們的計算速度非常快。
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
1 >>> x = np.linspace(0, 2*np.pi, 10) 2 # 對陣列x中的每個元素進行正弦計算,返回一個同樣大小的新陣列 3 >>> y = np.sin(x) 4 >>> y 5 array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01, 6 8.66025404e-01, 3.42020143e-01, -3.42020143e-01, 7 -8.66025404e-01, -9.84807753e-01, -6.42787610e-01, 8 -2.44921271e-16])
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
有的通用運算函式有:
np.sin()
np.cos()
np.add(a,b)
a.sum(axis=0,1)#axis為0計算全部資料的和,為1則按行計算資料的和
等等其它矩陣可參與的資料計算。
a = array([[1,2,3],[2,3,4]])
array(list): 建立矩陣或高維向量,例如a = array([[0,1,2,3],[4,5,6,7]]),傳入引數也可以是元組
shape: 表示向量大小的元組,例如a.shape結果為tuple,形如(2,3)
ndim: 表示矩陣或高維向量的維數,例如矩陣a的a.ndim為2
size: 表示向量總元素數
itemsize: 表示元素所佔位元組數
nbytes: 表示向量所佔位元組數
real: 所有元素的實部,返回的還是矩陣形式
imag: 所有元素的虛部,返回的還是矩陣形式
flat: 用一維陣列表示矩陣或高維向量(常用於順序遍歷)
T: 表示矩陣的轉置矩陣(也適用於高維向量),例如:a.T
zeros(shape): 建立全0矩陣或高維向量,例如a = zeros((2,3))
ones(shape):建立全1矩陣或高維向量,例如a = ones((2,3))
add(matrix):將矩陣對應元素相加,結果相當於直接用加號
dot(matrix)
矩陣乘法,注意必須滿足“能乘”的要求
如果是*,則需注意:
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 a = aaa.min(0) #取每一列的最小值,返回的是一個數組 3 aaa*aaa#相當於aaa**2: 4 5 #[[ 100, 81, 64], 6 # [ 49, 36, 25], 7 # [1764, 1089, 4]] 8 9 aaa*a #aaa每行元素分別與a相乘,結果為 10 11 #[[ 70, 54, 16], 12 # [ 49, 36, 10], 13 # [294, 198, 4]] 14 15 a*aaa #結果與上相同 16 3*aaa #aaa中每個元素乘以3
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
reshape(shape)
得到改變形狀的矩陣,例如a = array([[1,2,3],[4,5,6]]).reshape((3,2))的結果為[[1,2],[3,4],[5,6]]。注意矩陣的大小不能改變,即reshape的引數表示的矩陣元素數必須等於原矩陣的元素數。
transpose()
得到矩陣的轉置矩陣,a.transpose()相當於a.T
swapaxes(d1,d2)
調換給定的兩個維度
flatten()
返回對應一維向量,例如:
1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 aaa.flatten() 3 #返回值為: 4 array([10, 9, 8, 7, 6, 5, 42, 33, 2])
tolist()
得到矩陣物件轉化為list的結果
1 aa = aaa.tolist() 2 aa返回為list型(每一行又是一個子list): 3 [[10, 9, 8], [7, 6, 5], [42, 33, 2]] 4 aa[0] 5 #返回為: 6 [10, 9, 8]
min(axis)
得到所有元素中的最小值。當給定axis值(min(0)或min(axis=0))時,在該座標上求最小值(得到陣列)
例如:
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
1 aaa = array([[10,9,8],[7,6,5],[42,33,2]]) 2 aaa.min() 3 返回為:aaa矩陣中所有元素的最小值 4 結果為:2 5 aaa.min(0) 6 返回為:aaa矩陣中所有列中元素的最小值 7 結果為:array([7, 6, 2]) 8 aaa.min(1) 9 返回為:aaa矩陣中所有行中元素的最小值 10 結果為:array([8, 5, 2])
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
max(axis)
得到所有元素中的最小值。預設引數axis作用和min()相同
sum()
得到陣列元素之和,得到的是一個數字。
也可以aaa.sum(axis),分別求每一行或者是每一列的元素之和
cumsum()
得到累計和,即依次加一個元素求和的一維陣列。
例如:
1 aaa.cumsum() 2 結果為:array([ 10, 19, 27, 34, 40, 45, 87, 120, 122])
prod()
得到陣列所有元素之積,是個數字。也可以aaa.sum(axis),分別求每一行或者是每一列的元素之積
cumprod()
得到累計積,例子形式與上面cumsum()相同,這兩個函式也都可以分座標累計加和累計乘。
mean()
得到元素的平均數
all()
如果所有元素為真,返回真;否則返回假
any()
如果所有元素只要有一個真,返回真;否則返回假。
特徵值
linalg.eigvals()
返回A的特徵值
linalg.eig(A)
返回A的特徵值和特徵向量,例如(eval, evec) = linalg.eig(A),其中eval的對角元為A的各個特徵值,evec對應各列是相應特徵向量。
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
1 >>> a = array([[-1,1,0], 2 [-4,3,0], 3 [ 1,0,2]]) 4 >>> eval, evec = linalg.eig(a) 5 >>> eval 6 array([ 2., 1., 1.]) 7 >>> evec 8 array([[ 0. , 0.40824829, 0.40824829], 9 [ 0. , 0.81649658, 0.81649658], 10 [ 1. , -0.40824829, -0.40824829]])
![複製程式碼](http://common.cnblogs.com/images/copycode.gif)
即特徵向量為λ1=2的(0,0,1)和λ2=λ3=1的(0.4,0.8,-0.4)