Numpy的几种运算

矩阵的加，减，平方，三角函数

import  numpy as np
a=np.array([10,20,30,40])
b=np.arange(4)#0,1,2,3
c=b**2
d=np.sin(a)
e=np.cos(a)
f=np.tan(a)
print(a+b)
print(a-b)
print(c)
print(d)
print(e)
print(f)
print(b<3)#返回Ture或者False,bool类型的矩阵

输出结果：
[10 21 32 43]
[10 19 28 37]
[0 1 4 9]
[-0.54402111 0.91294525 -0.98803162 0.74511316]
[-0.83907153 0.40808206 0.15425145 -0.66693806]
[ 0.64836083 2.23716094 -6.4053312 -1.11721493]
[ True True True False]

矩阵的点积

import  numpy as np
a=np.array([[1,1],
            [0,1]])
b=np.arange(4).reshape((2,2))
c=a*b#两个同型矩阵对应元素的乘积
c_dot=np.dot(a,b)#矩阵的乘法运算
c_dot_2=a.dot(b) #矩阵ab的乘积
print(c)
print(c_dot)
print(c_dot_2)

输出的结果：
[[0 1]
[0 3]]

[[2 4]
[2 3]]

[[2 4]
[2 3]]

矩阵的逆

import numpy as np
#fromfunction()方法可以根据矩阵的行号列号生成矩阵的元素。
def fun(i,j):
    return i+j
print np.fromfunction(fun,(5,6))
#求矩阵的逆需要先导入numpy.linalg，用linalg的inv函数来求逆
import numpy.linalg as lg
a=np.array([1,2,3,4]).reshape(2,2)
print a
print lg.inv(a)

输出：
[[0. 1. 2. 3. 4. 5.]
[1. 2. 3. 4. 5. 6.]
[2. 3. 4. 5. 6. 7.]
[3. 4. 5. 6. 7. 8.]
[4. 5. 6. 7. 8. 9.]]
[[1 2]
[3 4]]
[[-2. 1. ]
[ 1.5 -0.5]]

矩阵的统计

import  numpy as np     
a=np.array([[1,2,3],[2,3,4]])#shape=2x4
print(a)                
print(np.sum(a)) #15       
print(np.max(a)) #4      
print(np.min(a)) #1       
print(np.sum(a,axis=1)) #行求和[6,9]
print(np.sum(a,axis=0)) #列求和[3,5,7]
print(np.max(a,axis=0)) #列最大[2,3,4]
print(np.min(a,axis=1)) #行最小[1,2]

结果是：
[[1 2 3]
[2 3 4]]
15
4
1
[6 9]
[3 5 7]
[2 3 4]
[1 2]

import  numpy as np      
A=np.arange(2,14).reshape(3,4)
print(A)                 
print(np.argmin(A))  #0  
print(np.argmax(A))  #11 
print(np.mean(A))  # 均值7.5 
print(A.mean())    #均值 7.5  
print(np.average(A))# 均值7.5
print(np.median(A))  #中位数7.5    
print(np.cumsum(A)) # 累加[ 2  5  9 14 20 27 35 44 54 65 77 90]

结果是：
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
0
11
7.5
7.5
7.5
7.5
[ 2 5 9 14 20 27 35 44 54 65 77 90]

#后一项减去前一项
print(np.diff(A))
#类似计算增长率算法增值额减去上期值
print(np.diff(A)/A[:,:-1])
#将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵
print(np.nonzero(A))

结果是：
[[1 1 1]
[1 1 1]
[1 1 1]]
[[0.5 0.33333333 0.25 ]
[0.16666667 0.14285714 0.125 ]
[0.1 0.09090909 0.08333333]]
(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))