Numpy中的矩阵运算

​

 

NumPy是Python科学计算的基础包，它为支持大型、多维数组和矩阵运算提供了高效的工具和函数。本文将详细介绍NumPy中的矩阵运算，包括基本的数组创建、操作、矩阵运算以及高级功能，帮助您深入理解并高效利用NumPy进行科学计算。

一、NumPy基础

1.1 NumPy安装

首先，确保已安装NumPy。可以使用以下命令安装：

pip install numpy

1.2 导入NumPy

在使用NumPy之前，需先导入该库：

import numpy as np

二、NumPy数组的创建

NumPy中的基本数据结构是ndarray（n维数组）。可以通过多种方式创建数组。

2.1 从列表或元组创建数组

# 从列表创建一维数组
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)

# 从嵌套列表创建二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d)

2.2 使用内置函数创建数组

NumPy提供了一些函数用于生成特定形状和内容的数组：

# 创建全零数组
zeros_array = np.zeros((2, 3))  # 2行3列
print(zeros_array)

# 创建全一数组
ones_array = np.ones((3, 2))  # 3行2列
print(ones_array)

# 创建特定值的数组
full_array = np.full((2, 2), 7)  # 2x2数组，所有值为7
print(full_array)

# 创建单位矩阵
identity_matrix = np.eye(3)  # 3x3单位矩阵
print(identity_matrix)

# 创建范围数组
range_array = np.arange(0, 10, 2)  # 从0到10（不包括10），步长为2
print(range_array)

# 创建等间隔数组
linspace_array = np.linspace(0, 1, 5)  # 在0到1之间生成5个等间隔的数
print(linspace_array)

三、基本矩阵运算

3.1 矩阵的形状与大小

可以使用 shape和 size属性获取数组的形状和大小：

print(array_2d.shape)  # 输出形状（行数，列数）
print(array_2d.size)   # 输出数组中元素的总数

3.2 矩阵的转置

使用 transpose()方法或 T属性转置矩阵：

transposed_array = array_2d.T
print(transposed_array)

3.3 矩阵的连接与分割

可以使用 np.concatenate()连接数组，使用 np.split()分割数组：

# 数组连接
array_a = np.array([[1, 2], [3, 4]])
array_b = np.array([[5, 6], [7, 8]])
concatenated_array = np.concatenate((array_a, array_b), axis=0)  # 按行连接
print(concatenated_array)

# 数组分割
split_arrays = np.split(concatenated_array, 2, axis=0)  # 按行分割成2部分
print(split_arrays)

四、矩阵运算

NumPy支持多种基本的矩阵运算，包括加法、减法、乘法、除法等。

4.1 元素级运算

NumPy数组支持元素级运算，所有运算符的操作都是逐元素进行的。

# 矩阵加法
array_c = np.array([[1, 2], [3, 4]])
array_d = np.array([[5, 6], [7, 8]])
addition_result = array_c + array_d
print(addition_result)

# 矩阵减法
subtraction_result = array_c - array_d
print(subtraction_result)

# 矩阵乘法
multiplication_result = array_c * array_d  # 逐元素相乘
print(multiplication_result)

# 矩阵除法
division_result = array_c / array_d  # 逐元素相除
print(division_result)

4.2 矩阵乘法

进行矩阵乘法时，可以使用 np.dot()或 @运算符。

# 矩阵乘法
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
dot_product = np.dot(matrix_a, matrix_b)  # 使用np.dot()
print(dot_product)

# 使用@运算符
dot_product_operator = matrix_a @ matrix_b
print(dot_product_operator)

4.3 矩阵求逆

使用 np.linalg.inv()求矩阵的逆。

matrix_e = np.array([[1, 2], [3, 4]])
inverse_matrix = np.linalg.inv(matrix_e)
print(inverse_matrix)

4.4 行列式计算

使用 np.linalg.det()计算矩阵的行列式。

determinant = np.linalg.det(matrix_e)
print(determinant)
​

五、广播机制

NumPy支持广播（Broadcasting）机制，使得不同形状的数组在运算时可以进行适当的扩展。

5.1 广播示例

array_x = np.array([[1, 2, 3], [4, 5, 6]])
array_y = np.array([1, 2, 3])  # 一维数组

# 广播机制使得array_y的形状扩展到(2, 3)
broadcast_result = array_x + array_y
print(broadcast_result)

六、高级矩阵运算

NumPy还支持更复杂的线性代数运算，如特征值和特征向量的计算。

6.1 特征值和特征向量

使用 np.linalg.eig()计算特征值和特征向量。

eigenvalues, eigenvectors = np.linalg.eig(matrix_e)
print("特征值:", eigenvalues)
print("特征向量:", eigenvectors)

​