NumPy快速入门

Python 2.7
IPython 4.1.2

---

关于Numpy

• Numpy是Python的一个矩阵类型，提供大量矩阵处理函数，内部通过C实现。
• 包含两种数据结构，数组array和矩阵matrix，其实就是array而已

---

构建数组array

• 通过tuple构建array

In[1]: from numpy import *In[2]: yuanzu = (4,5,6)In[3]: ll = array(yuanzu)In[4]: llOut[4]: array([4, 5, 6])

• 通过list构建array

In[5]: pylist = [0,1,2]In[6]: jj = array(pylist)In[7]: jjOut[7]: array([0, 1, 2])

• 构建多维array

In[95]: pylist1 = [1,2,3]In[96]: pylist2 = [4,5,6]In[100]: marray = array([pylist1,pylist2])In[102]: marrayOut[102]: array([[1, 2, 3],       [4, 5, 6]])

---

array基本操作

以marray的array来说

In[102]: marrayOut[102]: array([[1, 2, 3],       [4, 5, 6]])

• array索引

In[104]: marray[0][2]Out[104]: 3

• array的对应相乘

In[105]: marray*2Out[105]: array([[ 2,  4,  6],       [ 8, 10, 12]])In[106]: marray*marrayOut[106]: array([[ 1,  4,  9],       [16, 25, 36]])

---

---

构建矩阵matrix

• 同样可由tuple和list构建matrix

#由list构建In[84]: mm = mat(pylist)In[85]: mmOut[85]: matrix([[0, 1, 2]])#由tuple构建In[107]: oo = mat(yuanzu)In[108]: ooOut[108]: matrix([[4, 5, 6]])

• 由array构建matrix

In[109]: pp = mat(marray)In[110]: ppOut[110]: matrix([[1, 2, 3],        [4, 5, 6]])

---

matrix基本操作

对下面的pp矩阵来操作

In[110]: ppOut[110]: matrix([[1, 2, 3],        [4, 5, 6]])

• 查看维数.shape

In[111]: pp.shapeOut[111]: (2L, 3L) #两行三列的矩阵

• 取值，可以使用分片方法

In[116]: pp[1,2] #取第二行第三列元素Out[116]: 6In[115]: pp[1,:] #取第二行，所有列Out[115]: matrix([[4, 5, 6]])

• 转置.T

In[112]: pp.TOut[112]: matrix([[1, 4],        [2, 5],        [3, 6]])

• 矩阵乘法，注意矩阵乘法的规则，(m,n)*(n,p)，对应维数。

In[113]: pp*(pp.T)Out[113]: matrix([[14, 32],        [32, 77]])

• 对应元素相乘 multiply(a,b)

In[114]: multiply(pp,pp)Out[114]: matrix([[ 1,  4,  9],        [16, 25, 36]])

• 排序sort，注意是原地排序，会改变原始数据，这个和pandas中的index操作不一样

In[119]: qq = mat([2,1,3]) #构建一个新的matrixIn[120]: qqOut[120]: matrix([[2, 1, 3]])In[121]: qq.sort() #进行递增排序，改变原来数据In[122]: qqOut[122]: matrix([[1, 2, 3]])

• 获得矩阵中每个元素的排序序号

In[126]: cc = mat([[3,1,4],[2,3,4]]) #重新构建一个矩阵In[127]: ccOut[127]: matrix([[3, 1, 4],        [2, 3, 4]])In[128]: cc.argsort()Out[128]: matrix([[1, 0, 2],        [0, 1, 2]], dtype=int64)#比如说[3,1,4]这一行，元素先从小到大排序为[1,3,4]，对应1的元素在原本的矩阵中索引应该是1，对应3的索引是0，4的索引是2，所以得出[1,0,2]

---

array VS matrix

官方建议多使用array

The main advantage of numpy arrays is that they are more general than 2-dimensional matrices. What happens when you want a 3-dimensional array? Then you have to use an ndarray, not a matrix object. Thus, learning to use matrix objects is more work – you have to learn matrix object operations, and ndarray operations.

一句话，matrix应该算是array的一个分支，只是array的二维表示而已，matrix的操作，array都可以完成，值得注意的是，想要完成矩阵相乘，而不是对应相乘，array需要采用dot方法，举个例子

#对应相乘In[129]: marray*marrayOut[129]: array([[ 1,  4,  9],       [16, 25, 36]])#矩阵相乘In[130]: marray.dot(marray.T)Out[130]: array([[14, 32],       [32, 77]])

---

总结

If you are willing to give up the visual appeal of numpy matrix product notation, then I think numpy arrays are definitely the way to go.

–也就是，没事多用用array

---

致谢

利用python进行数据分析.Wes McKinney著
机器学习实战.Peter Harrington著