SciPy - 基本功能
-
简述
默认情况下,所有 NumPy 函数都可以通过 SciPy 命名空间使用。导入 SciPy 时,无需显式导入 NumPy 函数。NumPy 的主要对象是齐次多维数组。它是一个元素表(通常是数字),所有类型都相同,由正整数元组索引。在 NumPy 中,维度被称为轴。的数量axes被称为rank.现在,让我们修改 NumPy 中向量和矩阵的基本功能。由于 SciPy 建立在 NumPy 数组之上,因此有必要了解 NumPy 基础知识。由于线性代数的大多数部分仅处理矩阵。 -
NumPy 向量
可以通过多种方式创建向量。其中一些描述如下。将 Python 类数组对象转换为 NumPy
让我们考虑下面的例子。import numpy as np list = [1,2,3,4] arr = np.array(list) print arr
上述程序的输出将如下所示。[1 2 3 4]
-
内在的 NumPy 数组创建
NumPy 具有用于从头开始创建数组的内置函数。下面解释其中的一些功能。使用 zeros()
zeros(shape) 函数将创建一个以指定形状填充 0 值的数组。默认数据类型为 float64。让我们考虑下面的例子。import numpy as np print np.zeros((2, 3))
上述程序的输出将如下所示。array([[ 0., 0., 0.], [ 0., 0., 0.]])
使用 one()
one(shape) 函数将创建一个填充有 1 个值的数组。它在所有其他方面都与零相同。让我们考虑下面的例子。import numpy as np print np.ones((2, 3))
上述程序的输出将如下所示。array([[ 1., 1., 1.], [ 1., 1., 1.]])
使用 arange()
arange() 函数将创建具有规则递增值的数组。让我们考虑下面的例子。import numpy as np print np.arange(7)
上述程序将生成以下输出。array([0, 1, 2, 3, 4, 5, 6])
定义值的数据类型
让我们考虑下面的例子。import numpy as np arr = np.arange(2, 10, dtype = np.float) print arr print "Array Data Type :",arr.dtype
上述程序将生成以下输出。[ 2. 3. 4. 5. 6. 7. 8. 9.] Array Data Type : float64
使用 linspace()
linspace() 函数将创建具有指定数量元素的数组,这些元素将在指定的开始值和结束值之间等距分布。让我们考虑下面的例子。import numpy as np print np.linspace(1., 4., 6)
上述程序将生成以下输出。array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])
-
矩阵
矩阵是一种特殊的二维数组,它通过运算保持其二维性质。它具有某些特殊的运算符,例如*(矩阵乘法)和**(矩阵幂)。让我们考虑下面的例子。import numpy as np print np.matrix('1 2; 3 4')
上述程序将生成以下输出。matrix([[1, 2], [3, 4]])
矩阵的共轭转置
此功能返回的(复杂)共轭转置self. 让我们考虑下面的例子。import numpy as np mat = np.matrix('1 2; 3 4') print mat.H
上述程序将生成以下输出。matrix([[1, 3], [2, 4]])
矩阵的转置
此功能返回 self 的转置。让我们考虑下面的例子。import numpy as np mat = np.matrix('1 2; 3 4') mat.T
上述程序将生成以下输出。matrix([[1, 3], [2, 4]])
当我们转置一个矩阵时,我们创建了一个新矩阵,其行是原始矩阵的列。另一方面,共轭转置交换每个矩阵元素的行和列索引。矩阵的逆矩阵是一个矩阵,如果与原始矩阵相乘,则得到一个单位矩阵。