Numpy学习笔记（四）

前段时间又重新回顾了线性代数的课本，感悟颇多。才渐渐体会到，大学数学课程的安排，分割为微积分、线性代数和概率论是多么的合理！

矩阵，说它多重要都不为过，尤其是大型复杂的计算。Numpy对于Python的扩展，相当程度体现在对于矩阵运算的支持上。

Example1

创建矩阵

# -*-coding:utf-8-*-

import numpy as np

import matplotlib.pyplot as plt

 

# 创建矩阵

A = np.mat('1 2 3; 4 5 6; 7 8 9')

print "Creation from string", A

# T属性即为转置矩阵

print "Transpose", A.T

# I属性为逆矩阵

print "Inverse", A.I

# 通过Numpy数组创建

print "Creation from array", np.mat(np.arange(9).reshape(3, 3))

结果如下：

Example2

从已有矩阵创建新矩阵

# 从已有矩阵创建新矩阵

A = np.eye(2)

print 'A', A

B = A * 2

print "B", B

print "Compound matrix ", np.bmat("A B; A B") # 有点像分块矩阵

结果如下：

Example3

除法运算

# 除法运算

a = np.array([2, 6, 5])

b = np.array([1, 2, 3])

print "Divide", np.divide(a, b), np.divide(b, a) # 相当于"/"

print "True Divide", np.true_divide(a, b), np.true_divide(b, a)

print "Floor Divide", np.floor_divide(a, b), np.floor_divide(b, a) # 相当于"//"

结果如下：

注意：这里尤为需要注意的是divide和floor divide，两者的区别在于分子分母有浮点数时的计算方式不同

Example4

模运算

# 模运算

a = np.arange(-4, 4)

print "a", a

print "Remainder", np.remainder(a, 2) # 相当于"%", mod

print "Fmod", np.fmod(a, 2) # fmod的区别在于处理负数的方式

结果如下：

Example5

创建斐波那契数列

# 创建斐波那契数列

F = np.matrix([[1, 1], [1, 0]]) # 特殊的矩阵

print "F", F

print "8th Fibonacci", (F**7)[0, 0]

结果如下：

其实很简单！

Example6

利萨如曲线

X = A sin(at+n/2)

Y = B sin(bt)

这里我们令A=B=1

# 绘制利萨如曲线

# 初始化相关参数

a = 9

b = 8

n = np.pi

t = np.linspace(-np.pi, np.pi, 201) # 产生-pi~pi均匀分布的201个点

x = np.sin(a * t + n / 2)

y = np.sin(b * t)

plt.plot(x, y)

plt.show()

结果如下：

这里想要表达的是Numpy内置的函数非常的好用！

 

总结：这一次的练习还算简单，当然这只是入门，为接下来的工作打好基础。下一次要学习的，是Numpy中的一些经常用到的模块，不得不说，Numpy的功能的确强大，Matplotlib的制图能力亦然。

源代码：https://github.com/Lucifer25/Learn-Python/blob/master/Numpy/exercise4.py