详解numpy矩阵的创建与数据类型

所属分类：脚本专栏 / python 阅读数： 955

收藏 0赞 0分享

Numpy是python常用的一个类库，在python的使用中及其常见，广泛用在矩阵的计算中，numpy对矩阵的操作与纯python比起来速度有极大的差距。

一、构造矩阵

矩阵的构造可以有多种方法：

1.使用python中的方法构造矩阵

- 生成一维矩阵

# 使用python自带的range（）方法生成一个矩阵
a = list(range(100))#range（）产生从0-99的一个列表
print(a)

在这里插入图片描述

- 生成二维及多维矩阵

# 使用python自带的range（）方法生成一个矩阵
a = list([[1,2,3],
     [4,5,6],
     [7,8,9]])
print(a)

2.使用numpy中的方法来生成矩阵

numpy类库中生成的矩阵的数据类型为numpy.ndarray,与python中的列表不同。

（1）array()方法生成矩阵

#numpy入门
import numpy as np
data = [6,7.5,8,0,1]
data1 = [[1,2,3],[4,5,6]]
arr = np.array(data)
arr1 = np.array(data1)
print(arr)
print(arr1)

在这里插入图片描述

array（）方法可以将一个列表转换为对应维度相同的numpy矩阵。

（2）生成随机矩阵方法rand（）和randn（）

import numpy as np
#生成一个随机数矩阵
data = np.random.randn(2,3)#是从标准正态分布中返回一个或多个样本值
data1 = np.random.rand(2,3)#随机样本位于[0, 1)中
print(data)
print(data1)

在这里插入图片描述

（3）矩阵的加法与乘法，numpy矩阵中矩阵与数字相加或相乘，则数组中每一个元素都执行相加或相乘。

import numpy as np
data = np.random.randn(10)#是从标准正态分布中返回一个或多个样本值
print(data)
print("data * 10 :\n",data*10)#每一个元素乘以十
print("data+data:\n",data+data)#实现数组中每一个位置自加操作

在这里插入图片描述

（4）零矩阵

可以用numpy的zeros()方法生成元素值全为0的矩阵。

import numpy as np
data = np.zeros(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.zeros((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.zeros((3,4,3))
print("data2:",data2)#生成一个三维的全零矩阵

在这里插入图片描述

（5）一矩阵

同零矩阵一样，numpy中的ones()方法可以生产元素值全为一的矩阵

import numpy as np
data = np.ones(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.ones((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.ones((3,4,3))
print("data2:",data2)

在这里插入图片描述

（6）empty()方法

python中也可以使用numpy.empty()方法来生产一些看似是0的数，语法和ones()方法一样

#numpy入门
import numpy as np
data = np.empty(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.empty((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.empty((3,4,3))
print("data2:",data2)

在这里插入图片描述

就算是在编译器中显示的值为0，但其实际的值并不是0，只是一个很靠近0的数。

#numpy入门
import numpy as np
data1 = np.empty((3,4))#生成一个三行四列的全零矩阵
print("data1:\n",data1)
print("1/data1:\n",1/data1)

在这里插入图片描述

inf表示无穷大的意思，如若data1中数据的值为0的话，在运行的过程中解释器会出错。

#注意：认为np.empty会返回全0数组的想法是不安全的。很多情况下（如前所示），它返回的都是一些未初始化的垃圾值。

（7）arange()方法

类似于range()方法

import numpy as np
a = np.arange(10)
b = np.arange(2,20)
c = np.arange(0,50,5)
print("a:",a)
print("b:",b)
print("c:",c)

当只有一个参数n时表示产生一个从[0–n)的不包含n的一个矩阵

当有两个参数m,n时表示产生一个从[m,n)的不包含n的一个矩阵

当含有三个参数m,n,l时,表示从m开始，每次已l为步长，产生一个矩阵，最大值不超过n

在这里插入图片描述

（8）reshape()方法，重新生成矩阵的维度大小

import numpy as np
a = np.arange(10)
print(a)
a=a.reshape(2,5)
print(b)

在这里插入图片描述

上例中，将一个一维的十元素矩阵转换成一个两行五列的矩阵。

注意：使用reshape（）方法从一维转多维时，一维矩阵的元素个数必须与多维矩阵的相同，也即是上例中的10=2*5，如若不相等的话解释器或出现错误。

（9）一些与矩阵的大小有关的值

import numpy as np
array = np.array([[1,2,3],
         [4,5,6],
         [7,8,9]])
print(array)
print(array.ndim)#维度
print(array.shape)#各维度的值
print(array.size)#元素个数
print(array.dtype)#元素的数据类型

在这里插入图片描述