教程 > SciPy 教程 > SciPy 教程 阅读:44

SciPy 基本功能

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 的主要对象是同构多维数组。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。轴的数量称为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,因此需要了解 NumPy 基础知识。由于线性代数的大部分内容只处理矩阵。

NumPy 向量

可以通过多种方式创建 Vector。其中一些描述如下。

将 Python 类数组对象转换为 NumPy

让我们看以下示例。

import numpy as np
list = [1,2,3,4]
arr = np.array(list)
print(arr)

运行示例

运行结果如下

[1 2 3 4]

内置 NumPy 数组创建方法

NumPy 具有用于从头开始创建数组的内置函数。下面解释了其中的一些功能。

使用 zeros()

zeros(shape) 函数将创建一个用指定形状填充 0 值的数组。默认数据类型是 float64。

mport numpy as np
print(np.zeros((2, 3)))

运行结果如下

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

使用 ones()

ones(shape) 函数将创建一个填充有 1 个值的数组。其余的都和 zeros() 函数相同

import numpy as np
print(np.ones((2, 3)))

运行结果如下

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

使用 arange()

arange() 函数将创建具有递增值的数组。

import numpy as np
print(np.arange(7))

运行结果如下

array([0, 1, 2, 3, 4, 5, 6])

定义值的数据类型

让我们看一下以下示例。

import numpy as np
arr = np.arange(2, 10, dtype = np.float)
print(arr)
print("Array Data Type :",arr.dtype)

运行结果如下

[ 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。就类似于等差数列。

import numpy as np
print(np.linspace(1., 4., 6))

运行结果如下

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。它有一些特殊的运算符,例如 *(矩阵乘法)和 **(矩阵幂)。让我们看一下以下示例。

import numpy as np
print(np.matrix('1 2; 3 4'))

运行示例

运行结果如下

matrix([[1, 2],
[3, 4]])

矩阵的共轭转置

此功能返回self的(复数)共轭转置。让我们看一下以下示例。

import numpy as np
mat = np.matrix('1 2; 3 4')
print(mat.H)

运行示例

运行结果如下

matrix([[1, 3],
        [2, 4]])

矩阵的转置

此功能返回 self 的转置。

import numpy as np
mat = np.matrix('1 2; 3 4')
print(mat.T)

运行示例

运行结果如下

matrix([[1, 3],
        [2, 4]])

当我们转置矩阵时,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,则结果为单位矩阵。

查看笔记

扫码一下
查看教程更方便