Basic Matrix Operation Example for python+numpy Implementation

This paper describes the basic matrix operation implemented by python+numpy with examples. Share it for your reference, as follows:

#! usr/bin/env python
# coding: utf-8
# 学习numpy中矩阵的代码笔记
# 2018年05月29日15:43:40
# 参考网站：http://cs231n.github.io/python-numpy-tutorial/
import numpy as np
#==================矩阵的创建，增删查改，索引，运算=================================#
#==================矩阵的创建，增删查改=================================#
# # 创建行向量
# x = np.array([1,2,3])
# # 修改某个值
# x[0] = 0
# 注意下标索引从0开始，与MATLAB不1样
# print(x)
# print(x.shape)
# print(type(x))
#
# # 创建2维与多维矩阵
# matrix = np.array([[1,2,3],[1,2,3],[2,3,4]]) # 注意这里有1个小括号，小括号中还有1个中括号
# # 取出某个元素
# a1 = matrix[0][0]
# print(a1)
# print(matrix.shape)
#
# # # 创建特殊矩阵
# # 0矩阵
# zeros = np.zeros((2,2))# 注意，这里有两个小括号，并且返回浮点型数据，而不是整形
# print(zeros)
#
# # 创建1矩阵
# ones = np.ones([3,3])# 注意这里也是两个括号，其中里面的小括号也可是中括号，但是不建议使用
# print(ones)
#
# # 创建元素相同（）的矩阵
# full = np.full((2,3),2) #其中第1个括号表示矩阵大小，后面的数字表示填充的数字
# print(full)
#
# # 创建对角数为1的矩阵
# diag = np.eye(3,3)#注意这里如果行列数不同，只会让行列下标相等的元素为1
# print(diag)
#
# # 创建随机矩阵(值在0到1之间)，注意这个方式不可以重复，也就是随机不可以全部重现，每次运行都会不1样
# random = np.random.random((2,3))
# 写到这里，我需要说明1点，就是如何确定括号的个数
# numpy下的方法肯定是有1个小括号的，且不可以改变
# 想要表达多维阵列，则需要输入1个元祖（小括号）或者列表（中括号）来创建，这时就需要小括号或者中括号
# 如果是自己手敲出多维阵列，每1行需要中括号表示，用逗号分离每1行，然后外层再用1个中括号表示整个矩阵，然后再作为1个举证输入函数中
# print(random)
#=======================矩阵的索引，切片=========================#
metaMatrix = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#用逗号，而不能用空格
# # 单个元素的索引
# a = metaMatrix[0][0]
# b = metaMatrix[0,0] # 这里不能使用小括号
# print(a)
# print(b)
#
# # 切片操作
# a_ = metaMatrix[0:2,1]# 注意这里冒号后面的数是不索引的，如果缺省就是到最后，冒号前是可以得到的
# # 冒号后的数不索引，这时python的特点，与MATLAB不1样
# print(a_)
#
# # 注意切片操作后矩阵维度的变化
# a1 = metaMatrix[0:1,:]
# a2 = metaMatrix[0,:]
# b = metaMatrix[0,1]
# print(a1)
# print(a2)
# print(b)
# # 注意到这两行代码得到的数据是1样的，但是维度已经发生了变化
# print(a1.shape) #a1仍然是矩阵
# print(a2.shape) #a2则是1个行向量，相比原矩阵，这里就少了1个维度，这与MATLAB有点不同
# print(b.shape) #b是没有维度的，就是1个数而已
#
# # 利用已有矩阵创建新矩阵，方法比较多样化
# SrcMatrix = np.array([[1,2], [3, 4], [5, 6]])
# print(SrcMatrix)
# # 利用矩阵的方式索引原有矩阵
# matrix1 = SrcMatrix[[0,1],[1,1]]# 这时将两个中括号的对应元素组合起来进行索引，是单个元素索引的扩展
# # 进行单个元素索引，然后组合起来，并用np.array创建成np的数组
# matrix2 = np.array([SrcMatrix[0][1],SrcMatrix[1][1]])
# # 如果不用np.array来创建成np的矩阵，就会导致数据格式的变化,对应的操作就会发生变化
# matrix3 = [SrcMatrix[0][1],SrcMatrix[1][1]]
# print(matrix1)
# print(matrix2)
# print(matrix3)
# print(type(matrix1))
# print(type(matrix2))
# print(type(matrix3))
#
# # numpy矩阵的元素索引方式可以用于改变或者选择矩阵不同行的元素（不仅仅是同1列的数据）
# a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
# b = np.array([0,2,0,1])
# # 先介绍1下np.arrange（）函数，表示创建1个从起始值到结束值少1（前面提到过，python中经常不到这个值）的行向量，也可以设定步长
# c = a[np.arange(4),b] #其实就是相当于矩阵方式索引1个矩阵中的元素（这比MATLAB中更加自由1些）
# print(c)
# # 改变矩阵的指定元素
# a[np.arange(4),b] += 10
# print(a)
#
# # 布尔型阵列，可以用来索引1些满足特定条件的元素
# matrix = np.array([[1,2],[3,4],[5,6]])
# bool_id = matrix>2 # 也可以写成bool_id =(matrix>2),注意，写成中括号就是不同含义了
# print(bool_id)
# print(matrix[bool_id])
# # 可以将上面两行代码合成1行
# matrix_ = matrix[matrix>2]# 注意，这里得到的是1维向量
# print(matrix_)
#
#=========================numpy array的数据类型=======================================#
# # numpy的array的数据类型是自动识别的，但也可以指定
# # 如果输入为整形，则会给数据的类型定义为int64
# matrix1 = np.array([1,2,3])
# print(matrix1.dtype)
# # 如果输入的数据为小数点，则会给数据类型定义为float64
# matrix2 = np.array([1.0,2.0,3.0])
# print(matrix2.dtype)
# # 如果有浮点型也有整形数据，会赋值给占字节数多的数据类型,且对应为64的
# matrix3 = np.array([1,2.0])
# print(matrix3.dtype)
# # 也可以指定数据类型
# matrix4 = np.array([1,2],dtype=np.int8)
# print(matrix4.dtype)
# # 当数据本身和指定的数据类型不符合时,会将数据转化成指定的数据类型，有可能会发生溢出
# matrix5 = np.array([1,2000000,3.1],dtype=np.int8)
# print(matrix5)
# print(matrix5.dtype)
#=========================矩阵的运算===================================#
#
# # 两种加法和减法，乘除
# x = np.array([[1,2],[3,4]])
# y = np.array([[5,6],[7,8]])
# sum1 = x + y# 直接使用加法
# sum2 = np.add(x,y)# 运用numpy的函数
# print(sum1)
# print(sum2)
#
# substract1 = x - y
# substract2 = np.subtract(x,y)
# print(substract1)
# print(substract2)
#
# prodution1 = x * y# 这是对应元素的乘法
# prodution2 = np.multiply(x,y)
# print(prodution1)
# print(prodution2)
#
# devide1 = x/y
# devide2 = np.divide(x,y)
# # 注意矩阵进行运算时，数据类型不改变，因此，需要注意溢出现象等
# print(devide1)
# print(devide2)
#
# # 矩阵的两种向量乘法（使用dot）
# x = np.array([[1,2],[3,4]])
# y = np.array([[5,6],[7,8]])
# multiDot1 = x.dot(y)
# multiDot2 = np.dot(x,y)
# print(multiDot1)
# print(multiDot2)
#
# # 矩阵运算基本函数
# x = np.array([[1,2],[3,4]])
# # 求和函数
# # 对所有元素求和
# sum_all = np.sum(x)
# # 对列求和
# sum_column = np.sum(x, 0)# 注意和MATLAB中的区分1下。
# # 对行求和
# sum_row = np.sum(x, 1)
# print(sum_all)
# print(sum_column)
# print(sum_row)
#
# # 矩阵的转置
# x = np.array([[1,2],[3,4]])
# transform = x.T
# print(transform)
#
# # broadcasting的应用，可以进行不同维度的矩阵算数运算
# # 考虑将1个常量行向量加到1个矩阵的每1行上
# # 下面会将x行向量加到y矩阵的每1行上(但是这个方法由于有显示循环，而显示循环比较慢1些，我们经常会采用其他方法)
# y = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
# x = np.array([1, 0, 1])
# y_ = np.empty_like(y) # 创建1个和y相同维度的矩阵，但没有放内容，但是已经开辟了1块内存，其中的数据可能随机
# print(y_)
# for i in range(4):
#  y_[i,:] = y[i,:] + x
# print(y_)
# # 另1种方法是我们先将x复制3份，垂直放置，组成1个矩阵，再进行矩阵加法
# x_ = np.tile(x,(4,1))# np.tile表示复制,(4,1)表示将x作为元素，组成4*1的矩阵形式
# y__ = np.add(y,x_)
# print(y__)
# # 实际上，如果不对x进行处理，而直接将两者相加，如果x和y满足1些条件，x会自动复制
# # 条件是x和y在1个维度上相等，另1个维度上不1样并且可以通过复制可以实现维度相等，则会自动复制
# print(y+x)
# # 这里进行1个其他的测试
# print(x.T+y.T)# 可以看出可以实现列的复制
# 这里进行都不为向量的相加
# a1 = np.array([[1,2],[3,4],[5,6],[7,8]])
# a2 = np.array([[1,0],[0,1]])
# print(a1+a2)# 这里会出错，说明只能自动进行1维数据的复制，多维数据不支持自动复制，而需要显式复制
# # 同样的，加法，减法和除法也都适合上面的自动复制原理
# 将1个矩阵或者向量进行维度的调整
x1 = np.array([1,2,3])
y1 = np.array([1,2])
# 实现x1和y1转置的矩阵乘法，可以先将y1变成列向量
print(np.multiply(x1, np.reshape(y1,(2,1))))
# 试1下其他的维度变化
x2 = np.array([[1,2],[3,4],[5,6],[7,8]])
print(np.reshape(x2, (2,4)))
print(np.reshape(x2, (4,2)))# 基本上按照西安航后列的顺序进行

More readers interested in Python can check the topics of this site: "Summary of Python Mathematical Operation Skills", "Python Data Structure and Algorithm Tutorial", "Summary of Python Function Use Skills", "Summary of Python String Operation Skills" and "Introduction and Advanced Classic Tutorial of Python"

I hope this article is helpful to everyone's Python programming.