NumPy使用手记分析和总结.docx

NumPy NumPy 使用手记[z] Posted on 2010-08-03 08:45 白途思 阅读(699) 评论(0) 编辑 收藏 前面一个 NumPy 系列基本上是抄书，没有多少具体的内容。最近做实验经常使用 NumPy，确实感觉到向量计算的强大。这个系列开始， 我记录在使用 NumPy 使用中的一些具体的技巧和注意事项。 1） 巧用 where 函数 where 函数是 numpy 的内置，也是一个非常有用的函数，提供了快速并且灵活的计算功能。 def f_norm_1(data, estimate): residule = 0 for row_index in range(data.shape[0]): for column_index in range(data.shape[1]): if data[row_index][column_index] != 0: residule += (data[row_index][column_index] - estimate[row_index][column_index]) ** 2 return residule def f_norm_2(data, estimate) return sum(where(data != 0, (data-estimate) **2, 0)) 这两段代码完成同样的功能，计算两个矩阵的差，然后将残差进行平方，注意，因为我需要的是考虑矩阵稀疏性，所以不能用内置的norm，函数 1 是我用普通的 python 写的，不太复杂，对于规模10*10 的矩阵，计算 200 次耗时 0.15s，函数 2 使用了 where 函 数和 sum 函数，这两个函数都是为向量计算优化过的，不仅简介， 而且耗时仅 0.03s, 快了有五倍，不仅如此，有同学将 NumPy 和matlab 做过比较，NumPy 稍快一些，这已经是很让人兴奋的结果。 本篇我们看看 NumPy 中最为基本的 Array 操作 from numpy import * 创建一个矩阵 a=array([[1,2,3],[4,5,6]]) a.shape (2, 3) b=arange(15);print b [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] b.reshape(3,5) array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) 可以看到，A 是 2 行 3 列的矩阵。通过 arange 方法，可以得到一个 1 维的数组。然后我们可以通过 reshape 方法改变它的维度。 c=zeros((4,5));print c [[ 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0.]] d=ones((5,7));print d [[ 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1.] [ 1. 1. 1. 1. 1. 1. 1.]] e=add(c,arange(20).reshape(4,5)) f=dot(e,d);print f [[ 10. 10. 10. 10. 10. 10. 10.] [ 35. 35. 35. 35. 35. 35. 35.] [ 60. 60. 60. 60. 60. 60. 60.] [ 85. 85. 85. 85. 85. 85. 85.]] 使用 zeros 可以生成一个零矩阵。同理，用 ones 可以生成值全部为1 的矩阵。我选择了一个 4*5 的矩阵e，和一个 5*7 的矩阵d 做点 乘。最后得到f 矩阵。再举一个更加明显的例子： a=arange(5);print a [0 1 2 3 4] b=arange(5).reshape(5,1);print b [[0] [1] [2] [3] [4]] print dot(a,b) [30] 点积的效果更加明显了。 ndarray 的几个常用属性： shape： 代表一个 array 的形态，是一个向量还是一个矩阵，抑或是一个更复杂的向量组。 ndim： 代表这个 array 的维度 size： 在 array 中拥有的元素数量 itemsize： 这个 array 中每一个元素所需要占的字节数 nbytes： 这个 array 的总字节数（=itemsize*size） real： 代表一个 array 中所有元素的实数部分 imag：