一、向量、矩陣和陣列
轉置矩陣或向量
# 載入庫import numpy as np# 建立向量vector = np。array（［1， 2， 3， 4， 5， 6］）# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 轉置向量vector。T# array（［1， 2， 3， 4， 5， 6］） # 轉置矩陣matrix。T‘’‘array（［［1， 4， 7］， ［2， 5， 8］， ［3， 6， 9］］） ’‘’
選擇陣列中的元素
# 載入庫import numpy as np# 建立行向量vector = np。array（［1， 2， 3， 4， 5， 6］）# 選擇第二個元素vector［1］# 2 # 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 選擇第二行第二列matrix［1，1］# 5 # 建立矩陣tensor = np。array（［ ［［［1， 1］， ［1， 1］］， ［［2， 2］， ［2， 2］］］， ［［［3， 3］， ［3， 3］］， ［［4， 4］， ［4， 4］］］ ］）# 選擇三個維度的每個的第二個元素tensor［1，1，1］# array（［4， 4］）
陣列變形
# 載入庫import numpy as np# 建立 4x3 矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］， ［10， 11， 12］］）# 將矩陣變形為 2x6 矩陣matrix。reshape（2， 6）‘’‘array（［［ 1， 2， 3， 4， 5， 6］， ［ 7， 8， 9， 10， 11， 12］］） ’‘’
矩陣的逆
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 4］， ［2， 5］］）# 計算矩陣的逆np。linalg。inv（matrix）‘’‘array（［［-1。66666667， 1。33333333］， ［ 0。66666667， -0。33333333］］） ’‘’
獲取矩陣對角線
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 返回對角線元素matrix。diagonal（）# array（［1， 5， 9］） # 建立矩陣的跡matrix。diagonal（）。sum（）# 15
展開矩陣
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 展開矩陣matrix。flatten（）# array（［1， 2， 3， 4， 5， 6， 7， 8， 9］）
尋找矩陣的秩
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 返回矩陣的秩np。linalg。matrix_rank（matrix）# 2
Find The Maximum And Minimum
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 返回最大元素np。max（matrix）# 9 # 返回最小元素np。min（matrix）# 1 # 尋找每列的最大元素np。max（matrix， axis=0）# array（［7， 8， 9］） # 尋找每行的最大元素np。max（matrix， axis=1）# array（［3， 6， 9］）
描述陣列
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3， 4］， ［5， 6， 7， 8］， ［9， 10， 11， 12］］）# 檢視行和列數matrix。shape# （3， 4） # 檢視元素數（行乘列）matrix。size# 12 # 檢視維數matrix。ndim# 2
建立向量
# 載入庫import numpy as np# 建立行向量vector_row = np。array（［1， 2， 3］）# 建立列向量vector_column = np。array（［［1］， ［2］， ［3］］）
建立稀疏矩陣
# Load librariesimport numpy as npfrom scipy import sparse# 建立矩陣matrix = np。array（［［0， 0］， ［0， 1］， ［3， 0］］）# 建立壓縮稀疏行（CSR）矩陣matrix_sparse = sparse。csr_matrix（matrix）
注意：有許多型別的稀疏矩陣。 在上面的示例中，我們使用 CSR，但我們使用的型別應該反映我們的用例。
建立矩陣
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 4］， ［2， 5］］）
注意 NumPy 的
mat
資料結構對於我們的目的而言不太靈活，應該避免。
將字典轉換為矩陣
# 載入庫from sklearn。feature_extraction import DictVectorizer# 我們的資料字典data_dict = ［{‘Red’： 2， ‘Blue’： 4}， {‘Red’： 4， ‘Blue’： 3}， {‘Red’： 1， ‘Yellow’： 2}， {‘Red’： 2， ‘Yellow’： 2}］# 建立 DictVectorizer 物件dictvectorizer = DictVectorizer（sparse=False）# 將字典轉換為特徵矩陣features = dictvectorizer。fit_transform（data_dict）# 檢視特徵矩陣features‘’‘array（［［ 4。， 2。， 0。］， ［ 3。， 4。， 0。］， ［ 0。， 1。， 2。］， ［ 0。， 2。， 2。］］） ’‘’# 檢視特徵矩陣的列名dictvectorizer。get_feature_names（）# ［‘Blue’， ‘Red’， ‘Yellow’］
計算矩陣的跡
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 計算矩陣的跡matrix。diagonal（）。sum（）# 15
計算矩陣的行列式
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 返回矩陣的行列式np。linalg。det（matrix）# -9。5161973539299405e-16
計算均值、方差和標準差
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 返回均值np。mean（matrix）# 5。0 # 返回方差np。var（matrix）# 6。666666666666667 # 返回標準差np。std（matrix）# 2。5819888974716112
計算兩個向量的點積
# 載入庫import numpy as np# 建立兩個向量vector_a = np。array（［1，2，3］）vector_b = np。array（［4，5，6］）# 計算點積np。dot（vector_a， vector_b）# 32 # 計算點積vector_a @ vector_b# 32
對元素應用操作
# 載入庫import numpy as np# 建立矩陣matrix = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）# 建立加上 100 的函式add_100 = lambda i： i + 100# 建立向量化函式vectorized_add_100 = np。vectorize（add_100）# 對矩陣的所有元素應用函式vectorized_add_100（matrix）‘’‘array（［［101， 102， 103］， ［104， 105， 106］， ［107， 108， 109］］） ’‘’
矩陣的加和減
# 載入庫import numpy as np# 建立矩陣matrix_a = np。array（［［1， 1， 1］， ［1， 1， 1］， ［1， 1， 2］］）# 建立矩陣matrix_b = np。array（［［1， 3， 1］， ［1， 3， 1］， ［1， 3， 8］］）# 將兩個矩陣相加np。add（matrix_a， matrix_b）‘’‘array（［［ 2， 4， 2］， ［ 2， 4， 2］， ［ 2， 4， 10］］） ’‘’# 將兩個矩陣相減np。subtract（matrix_a， matrix_b）‘’‘array（［［ 0， -2， 0］， ［ 0， -2， 0］， ［ 0， -2， -6］］） ’‘’
