标签：
一、行列式连接concatenate函数，axis=0是垂直拼接，axis=1是水平拼接
1 x=np.array([[1.0,2],[3,4]]); 2 y=np.array([[5.0,6],[7,8]]); 3 z=np.concatenate((x,y),axis=0); 4 print x,‘\n\n‘ 5 print y,‘\n\n‘ 6 7 print z
[[ 1. 2.] [ 3. 4.]] [[ 5. 6.] [ 7. 8.]] [[ 1. 2.] [ 3. 4.] [ 5. 6.] [ 7. 8.]]
另一种方法有：
z = vstack((x,y)) # Same as z = concatenate((x,y),axis = 0)
z = hstack((x,y)) # Same as z = concatenate((x,y),axis = 1)
二、行列式选取可能降维
>>> x = array([[1.0,2],[3,4]])
>>> x[:1,:] # Row 1, all columns, 2-dimensional
array([[ 1., 2.]])
>>> x[0,:] # Row 1, all columns, dimension reduced
array([ 1., 2.])
2、查看行列式的维数使用，np.ndim(A)函数
3、重复扩展，相当于在方括号内元素扩展
>>> x = array([[0.0]*3]*3) # *3 repeats the list 3 times
>>> x
array([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
4、修改行列式元素值时，需要注意类型。可能会被修改，numpy中，会自动将插入的数据类型修改为行列式类型
>>> x = [0, 1, 2, 3, 4] # Integers >>> y = array(x) >>> y.dtype dtype(’int32’) >>> y[0] = 3.141592 >>> y array([3, 1, 2, 3, 4])
5、行列式的转置和重改维度大小
B=A.T#行列式转置
B=np.reshape(A,(m,n)),#m,n是要更后改的行数和列数
6、flat切片，他将行列式转换成一维行列式，进行切片
a=np.arange(10); b=np.reshape(a,(2,5)); b.flat[2:7]
array([2, 3, 4, 5, 6])
7、行列式复制三种方法（1）copy()
import copy as cp
a=np.arange(10);
b=np.reshape(a,(2,5));
x1=cp.deepcopy(b[0]);#函数法
x2=b[:,0].copy();#方法
x3=np.array(b[0]);#array行列式
print b
print b[0];
print x1
print x2
print x3,‘\n\n\n‘
x1[0]=12;
print b
print b[0];
print x1
print x2
print x3,‘\n\n\n‘
x2[0]=20;
print b
print b[0];
print x1
print x2
print x3,‘\n\n\n‘
x3[0]=50
x2[0]=20;
print b
print b[0];
print x1
print x2
print x3,‘\n\n\n‘
[[0 1 2 3 4] [5 6 7 8 9]] [0 1 2 3 4] [0 1 2 3 4] [0 5] [0 1 2 3 4] [[0 1 2 3 4] [5 6 7 8 9]] [0 1 2 3 4] [12 1 2 3 4] [0 5] [0 1 2 3 4] [[0 1 2 3 4] [5 6 7 8 9]] [0 1 2 3 4] [12 1 2 3 4] [20 5] [0 1 2 3 4] [[0 1 2 3 4] [5 6 7 8 9]] [0 1 2 3 4] [12 1 2 3 4] [20 5] [50 1 2 3 4]
8、导入模块
import pylab as pl
import scipy as sp
import numpy as np
9、数组运算
(1)加减运算都符合线性代数运算
(2)乘运算要注意数组的广播机制，还不太理解？？？？？？？？？？？
一般的：数组运算是元素与元素相乘，矩阵相乘是符合线性代数运算机制的
想要改变数组的运算机制符合线性代数运算机制可以通过函数np.dot(A,B)
x=np.ones((2,4)); y=np.ones((4,2)); print np.dot(x,y) [[ 4. 4.] [ 4. 4.]]
(3)除运算，数组和矩阵都是元素与元素之间的运算。
x=np.ones((2,4))*10; y=np.ones((2,4))*2; x/y array([[ 5., 5., 5., 5.], [ 5., 5., 5., 5.]])
x=np.mat(np.ones((2,4))*10) y=np.mat(np.ones((2,4))*2) x/y matrix([[ 5., 5., 5., 5.], [ 5., 5., 5., 5.]])
(4)指数运算
对于数组是元素的指数运算
x=np.array([1,2,3]); x**2 array([1, 4, 9])
对于矩阵是Z=A**m,是矩阵A碟乘m次,对于m在python中必须是整数，可以是负数，如果是负数，则Z=inv(A**(abs(m)));
x=np.mat(np.reshape(np.arange(9),(3,3))) print x x**2 [[0 1 2] [3 4 5] [6 7 8]] matrix([[ 15, 18, 21], [ 42, 54, 66], [ 69, 90, 111]])
(5)矩阵转置运算A.transpose(),transpose(A),A.T都表示矩阵A的转置
x=np.mat(np.random.randn(2,2)) print x; x.T*x [[-1.02490428 1.76366191] [ 0.48344916 -0.36091476]] matrix([[ 1.28415188, -1.98206858], [-1.98206858, 3.2407628 ]])
introduction to python for statistics,analysis笔记2
标签：
原文地址：http://www.cnblogs.com/zhaopengcheng/p/5399250.html
