Scipy基本功能

默认情况下，所有的 NumPy 函数都可以通过 SciPy 命名空间获得。当导入 SciPy 时，不需要显式导入 NumPy 函数。NumPy 的主要目标是均匀多维数组。它是一个元素表(通常是数字)，都是相同类型，由正整数的元组索引。在 NumPy 中，大小(尺寸)被称为轴。轴的数量称为等级。

现在，让修改 NumPy 中的 Vectors 和Matrices 的基本功能。由于 SciPy 构建在 NumPy 数组之上，因此需要了解 NumPy 基础知识。由于线性代数的大多数部分只处理矩阵。

NumPy 向量

向量(Vector)可以通过多种方式创建。其中一些描述如下。

将 Python 数组类对象转换为 NumPy 中的数组，看看下面的例子。

import numpy as np
list = [1,2,3,4]
arr = np.array(list)
print (arr)

执行上面示例代码，得到以下结果 -

[1 2 3 4]

内在 NumPy 数组创建

NumPy 有从头开始创建数组的内置函数。其中一些函数解释如下。

使用 zeros()

zeros(shape)函数将创建一个用指定形状(shape)填充0值的数组。默认dtype是float64。看看下面的例子。

import numpy as np
print (np.zeros((2, 3)))

执行上面示例代码，得到以下结果 -

array([[ 0., 0., 0.],
[ 0., 0., 0.]])

使用 ones()

ones(shape)函数将创建一个填充1值的数组。它在所有其他方面与0相同。看看下面的例子。

import numpy as np
print (np.ones((2, 3)))

执行上面示例代码，得到以下结果 -

array([[ 1., 1., 1.],
[ 1., 1., 1.]])

使用 arange()

arange()函数将创建具有有规律递增值的数组。看看下面的例子。

import numpy as np
print (np.arange(7))

执行上面示例代码，得到以下结果 -

array([0, 1, 2, 3, 4, 5, 6])

定义值的数据类型

看看下面一段示例代码 -

import numpy as np
arr = np.arange(2, 10, dtype = np.float)
print (arr)
print ()"Array Data Type :",arr.dtype)

执行上面示例代码，得到以下结果 -

[ 2. 3. 4. 5. 6. 7. 8. 9.]
Array Data Type : float64

使用 linspace()

linspace()函数将创建具有指定数量元素的数组，这些元素将在指定的开始值和结束值之间平均间隔。看看下面的例子。

import numpy as np
print (np.linspace(1., 4., 6))

执行上面示例代码，得到以下结果 -

array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])

矩阵是一个专门的二维数组，通过操作保留其2-D特性。它有一些特殊的运算符，如*(矩阵乘法)和**(矩阵幂值)。看看下面的例子。

import numpy as np
print (np.matrix('1 2; 3 4'))

执行上面示例代码，得到以下结果 -

matrix([[1, 2],
[3, 4]])

矩阵的共轭转置

此功能返回自我的(复数)共轭转置。看看下面的例子。

import numpy as np
mat = np.matrix('1 2; 3 4')
print (mat.H)

执行上面示例代码，得到以下结果 -

matrix([[1, 3],
        [2, 4]])

矩阵的转置

此功能返回自身的转置。看看下面的例子。

import numpy as np
mat = np.matrix('1 2; 3 4')
print (mat.T)

执行上面示例代码，得到以下结果 -

matrix([[1, 3],
        [2, 4]])

当转置一个矩阵时，我们创建一个新的矩阵，其行是原始的列。另一方面，共轭转置为每个矩阵元素交换行和列索引。矩阵的逆矩阵是一个矩阵，如果与原始矩阵相乘，则产生一个单位矩阵。