Python科学计算之NumPy入门教程
前言
NumPy是Python用于处理大型矩阵的一个速度极快的数学库。它允许你在Python中做向量和矩阵的运算，而且很多底层的函数都是用C写的，你将获得在普通Python中无法达到的运行速度。这是由于矩阵中每个元素的数据类型都是一样的，这也就减少了运算过程中的类型检测。
矩阵基础
在numpy包中我们用数组来表示向量，矩阵和高阶数据结构。他们就由数组构成，一维就用一个数组表示，二维就是数组中包含数组表示。
创建
#coding:utf-8 importnumpyasnp a=np.array([ [1.73,1.68,1.71,4], [1,2,3,4], [1,2,3,4] ]) printtype(a)#<type'numpy.ndarray'>
ndarray（N-dimensionalarrayobject）意思就是n维数组。例子中就表示一个3行4列的二维数组。
形状
数组的大小可以通过其shape属性获得：
printa.shape#(3L,4L)
数组的元素数量可以通过ndarray.size得到：
printa.size#12
使用ndarray的dtype属性我们能获得数组元素的类型：
printa.dtype#float64
可以用过shape重新设置矩阵的形状或者通过reshape方法创建一个改变了尺寸的新数组，原数组的shape保持不变:
a.shape=4,3 b=a.reshape((2,6)) #尽管b的形状是新的，但是a和b是共享数据存储内存区域的，如果b[0][1]=8那么a[0][1]也会是8
数组生成
可以用过np.arange来创建数组,参数与range类似：
x=np.arange(0,10,1)#arguments:start,stop,step
也可以用np.linspace创建等差数列:
x=np.linspace(1,10,5)#arguments:start,stop,num元素个数 #[1.3.255.57.7510.] #np.logspace是创建等比数列
矩阵运算
计算将变量直接参与运算符，操作符优先级不变：
a=np.random.rand(5,5) b=np.random.rand(5,5) printa+b printa-b printa*b printa/b printa**2 printa<b printa>b
一个数组中除了dot()函数，其他这些操作都是单元操作。
np_arr=np.array([2,3,34,5,5]) printnp.mean(np_arr)#平均数 printnp.median(np_arr)#中位数 printnp.corrcoef(a[0],a[1])#判断两个轴的数据是否有相关性 printnp.std(np_arr)#标准差
数据提取
切片索引语法：M[lower:upper:step]
a=np.array([1,2,3,4,5]) a[1:3]#array([2,3]) #进行切片赋值时，原数组会被修改 a[1:3]=[-2,-3]#array([1,-2,-3,4,5]) b=np.random.rand(5,5) b[1:4,1:4]#提取1~4行，1~4列 b>0.1#array([False,False,False,...]) #因此要提取可以用,这是利用了布尔屏蔽这个特性 b[b>0.1] #where()函数是另一个有用的方式，当需要以特定条件来检索数组元素的时候。只需要传递给它一个条件，它将返回符合条件的元素列表。 c=np.where(b>0.1)
矩阵运算
NumPy和Matlab不一样，对于多维数组的运算，缺省情况下并不使用矩阵运算，如果你希望对数组进行矩阵运算的话，可以调用相应的函数。
matrix对象
numpy库提供了matrix类，使用matrix类创建的是矩阵对象，它们的加减乘除运算缺省采用矩阵方式计算，因此用法和matlab十分类似。但是由于NumPy中同时存在ndarray和matrix对象，因此用户很容易将两者弄混。这有违Python的“显式优于隐式”的原则，因此并不推荐在较复杂的程序中使用matrix。
>>>a=np.matrix([[1,2,3],[5,5,6],[7,9,9]]) >>>a*a**-1 matrix([[1.00000000e+00,1.66533454e-16,-8.32667268e-17], [-2.77555756e-16,1.00000000e+00,-2.77555756e-17], [1.66533454e-16,5.55111512e-17,1.00000000e+00]])
从数组转换为矩阵可以用m=np.matrix(a)进行转换,使用m.T可以得到m的转置矩阵。
矩阵求逆
m.I*m =>matrix([[1.00000000e+00+0.j,4.44089210e-16+0.j], [0.00000000e+00+0.j,1.00000000e+00+0.j]])
浅拷贝与深拷贝
为了获得高性能，Python中的赋值常常不拷贝底层对象，这被称作浅拷贝。使用copy进行深拷贝：
b=copy(a)
遍历数组元素
通常情况下，我们是希望尽可能避免遍历数组元素的。因为迭代相比向量运算要慢的多。但是有些时候迭代又是不可避免的，这种情况下用Python的for是最方便的：
v=np.array([1,2,3,4])
forelementinv:
print(element)
M=np.array([[1,2],[3,4]])
forrowinM:
print("row",row)
forelementinrow:
print(element)
总结
以上就是关于Python科学计算之NumPy的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流。