python中numpy的矩阵、多维数组的用法

1. 引言

最近在将一个算法由matlab转成python，初学python，很多地方还不熟悉，总体感觉就是上手容易，实际上很优雅地用python还是蛮难的。目前为止，觉得就算法仿真研究而言，还是matlab用得特别舒服，可能是比较熟悉的缘故吧。matlab直接集成了很多算法工具箱，函数查询、调用、变量查询等非常方便，或许以后用久了python也会感觉很好用。与python相比，最喜欢的莫过于可以直接选中某段代码执行了，操作方便，python也可以实现，就是感觉不是很方便。

言归正传，做算法要用到很多的向量和矩阵运算操作，这些嘛在matlab里面已经很熟悉了，但用python的时候需要用一个查一个，挺烦的，所以在此稍作总结，后续使用过程中会根据使用体验更新。

python的矩阵运算主要依赖numpy包，scipy包以numpy为基础，大大扩展了后者的运算能力。

2. 创建一般的多维数组

import numpy as npa = np.array([1,2,3], dtype=int) # 创建1*3维数组 array([1,2,3])type(a) # numpy.ndarray类型a.shape # 维数信息(3L,)a.dtype.name # 'int32'a.size # 元素个数：3a.itemsize #每个元素所占用的字节数目:4b=np.array([[1,2,3],[4,5,6]],dtype=int) # 创建2*3维数组 array([[1,2,3],[4,5,6]])b.shape # 维数信息（2L,3L）b.size # 元素个数：6b.itemsize # 每个元素所占用的字节数目:4c=np.array([[1,2,3],[4,5,6]],dtype='int16') # 创建2*3维数组 array([[1,2,3],[4,5,6]],dtype=int16)c.shape # 维数信息（2L,3L）c.size # 元素个数：6c.itemsize # 每个元素所占用的字节数目:2c.ndim # 维数 d=np.array([[1,2,3],[4,5,6]],dtype=complex) # 复数二维数组d.itemsize # 每个元素所占用的字节数目：16d.dtype.name # 元素类型：'complex128'

3. 创建特殊类型的多维数组　

a1 = np.zeros((3,4)) # 创建3*4全零二维数组输出：array([[ 0., 0., 0., 0.],  [ 0., 0., 0., 0.],  [ 0., 0., 0., 0.]])a1.dtype.name # 元素类型：'float64'a1.size # 元素个数：12a1.itemsize # 每个元素所占用的字节个数：8  a2 = np.ones((2,3,4), dtype=np.int16) # 创建2*3*4全1三维数组a2 = np.ones((2,3,4), dtype='int16')  # 创建2*3*4全1三维数组输出：array([[[1, 1, 1, 1],  [1, 1, 1, 1],  [1, 1, 1, 1]],   [[1, 1, 1, 1],  [1, 1, 1, 1],  [1, 1, 1, 1]]], dtype=int16)  a3 = np.empty((2,3)) # 创建2*3的未初始化二维数组输出：（may vary）array([[ 1., 2., 3.],  [ 4., 5., 6.]])a4 = np.arange(10,30,5) # 初始值10，结束值：30（不包含），步长：5输出：array([10, 15, 20, 25])a5 = np.arange(0,2,0.3) # 初始值0，结束值：2（不包含），步长：0.2输出：array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])from numpy import pinp.linspace(0, 2, 9) # 初始值0，结束值：2（包含），元素个数：9输出：array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])x = np.linspace(0, 2*pi, 9)输出：array([ 0.  , 0.78539816, 1.57079633, 2.35619449, 3.14159265,  3.92699082, 4.71238898, 5.49778714, 6.28318531])a = np.arange(6)输出：array([0, 1, 2, 3, 4, 5])b = np.arange(12).reshape(4,3)输出：array([[ 0, 1, 2],  [ 3, 4, 5],  [ 6, 7, 8],  [ 9, 10, 11]])c = np.arange(24).reshape(2,3,4)输出：array([[[ 0, 1, 2, 3],  [ 4, 5, 6, 7],  [ 8, 9, 10, 11]],  [[12, 13, 14, 15],  [16, 17, 18, 19],  [20, 21, 22, 23]]])