Python矩阵常见运算操作实例总结
本文详细总结Python中使用numpy进行矩阵运算的常见操作。内容涵盖numpy库的导入、从零创建各类矩阵(如零矩阵、单位矩阵)、执行矩阵相乘与元素点乘、求逆及转置,以及计算行列最大最小值。此外,还解析了矩阵的分隔合并及与列表、数组间的类型转换细节,附带完整代码示例供参考。
本文通过具体实例,系统梳理了Python中矩阵的常见运算操作,旨在为读者提供清晰的参考指南。
Python标准库未直接提供矩阵运算功能,因此在进行矩阵计算时,必须导入numpy库以获取相关支持。
一、numpy的导入和使用
from numpy import *;#导入numpy的库函数 import numpy as np; #这个方式使用numpy的函数时,需要以np.开头。
二、矩阵的创建
通过一维或二维数据构建矩阵
from numpy import *; a1=array([1,2,3]); a1=mat(a1);
生成常见的标准矩阵
data1=mat(zeros((3,3))); #创建一个3*3的零矩阵,矩阵这里zeros函数的参数是一个tuple类型(3,3) data2=mat(ones((2,4))); #创建一个2*4的1矩阵,默认是浮点型的数据,如果需要时int类型,可以使用dtype=int data3=mat(random.rand(2,2)); #这里的random模块使用的是numpy中的random模块,random.rand(2,2)创建的是一个二维数组,需要将其转换成#matrix data4=mat(random.randint(10,size=(3,3))); #生成一个3*3的0-10之间的随机整数矩阵,如果需要指定下界则可以多加一个参数 data5=mat(random.randint(2,8,size=(2,5)); #产生一个2-8之间的随机整数矩阵 data6=mat(eye(2,2,dtype=int)); #产生一个2*2的对角矩阵 a1=[1,2,3]; a2=mat(diag(a1)); #生成一个对角线为1、2、3的对角矩阵
三、常见的矩阵运算
1. 矩阵相乘
a1=mat([1,2]); a2=mat([[1],[2]]); a3=a1*a2; #1*2的矩阵乘以2*1的矩阵,得到1*1的矩阵
2. 矩阵点乘
执行矩阵对应元素的相乘操作
a1=mat([1,1]); a2=mat([2,2]); a3=multiply(a1,a2);
矩阵点乘的具体实现
a1=mat([2,2]); a2=a1*2;
3. 矩阵求逆与转置
矩阵求逆的操作方法
a1=mat(eye(2,2)*0.5); a2=a1.I; #求矩阵matrix([[0.5,0],[0,0.5]])的逆矩阵
矩阵转置的操作方法
a1=mat([[1,1],[0,0]]); a2=a1.T;
4. 计算矩阵对应行列的最大值、最小值及总和
a1=mat([[1,1],[2,3],[4,2]]);
计算每一列和每一行的总和
a2=a1.sum(axis=0);//列和,这里得到的是1*2的矩阵 a3=a1.sum(axis=1);//行和,这里得到的是3*1的矩阵 a4=sum(a1[1,:]);//计算第一行所有列的和,这里得到的是一个数值
获取最大、最小值及其对应的索引
a1.max();//计算a1矩阵中所有元素的最大值,这里得到的结果是一个数值 a2=max(a1[:,1]);//计算第二列的最大值,这里得到的是一个1*1的矩阵 a1[1,:].max();//计算第二行的最大值,这里得到的是一个一个数值 np.max(a1,0);//计算所有列的最大值,这里使用的是numpy中的max函数 np.max(a1,1);//计算所有行的最大值,这里得到是一个矩阵 np.argmax(a1,0);//计算所有列的最大值对应在该列中的索引 np.argmax(a1[1,:]);//计算第二行中最大值对应在改行的索引
5. 矩阵的分隔与合并
矩阵的分隔方式与列表及数组的分隔逻辑一致。
a=mat(ones((3,3))); b=a[1:,1:];//分割出第二行以后的行和第二列以后的列的所有元素
矩阵的合并操作
a=mat(ones((2,2))); b=mat(eye(2)); c=vstack((a,b));//按列合并,即增加行数 d=hstack((a,b));//按行合并,即行数不变,扩展列数
四、矩阵、列表、数组之间的转换
列表具有可变性,且其内部元素可以是不同类型的数据,例如:
l1=[[1],'hello',3];
在numpy中,数组要求所有元素类型必须一致,并具备几个常见属性:
a=array([[2],[1]]); dimension=a.ndim; m,n=a.shape; number=a.size;//元素总个数 str=a.dtype;//元素的类型
numpy中的矩阵同样拥有与数组类似的常见属性。
三者之间的转换关系如下:
a1=[[1,2],[3,2],[5,2]];//列表 a2=array(a1);//将列表转换成二维数组 a3=array(a1);//将列表转化成矩阵 a4=array(a3);//将矩阵转换成数组 a5=a3.tolist();//将矩阵转换成列表 a6=a2.tolist();//将数组转换成列表
可以看出三者间的转换较为简单,但需注意:当列表为一维时,将其转换为数组或矩阵后,再通过tolist()转回列表,结果会有所不同,需进行适当调整。示例如下:
a1=[1,2,3]; a2=array(a1); a3=mat(a1); a4=a2.tolist();//这里得到的是[1,2,3] a5=a3.tolist();//这里得到的是[[1,2,3]] a6=(a4 == a5);//a6=False a7=(a4 is a5[0]);//a7=True,a5[0]=[1,2,3]
若要将矩阵转换为数值,存在以下一种情况:
dataMat=mat([1]); val=dataMat[0,0];//这个时候获取的就是矩阵的元素的数值,而不再是矩阵的类型
如需了解更多Python相关内容,可查阅本站专题:《Python数学运算技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》。
希望本文的总结对您的Python程序设计有所帮助。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













