numpy求某一列的和的算法(numpy矩阵平素求和)

大家好，我是IT共享者，人称皮皮。今天给大家介绍矩阵和NumPy数组。

一、什么是矩阵？

使用嵌套列表和NumPy包的Python矩阵。矩阵是一种二维数据结构，其中数字按行和列排列。

二、Python矩阵

1. 列表视为矩阵

Python没有矩阵的内置类型。但是，可以将列表的列表视为矩阵。

例：

A = [[1, 4, 5],     [-5, 8, 9]]

可以将此列表的列表视为具有2行3列的矩阵。

如图：

2. 如何使用嵌套列表。

A = [[1, 4, 5, 12],     [-5, 8, 9, 0],    [-6, 7, 11, 19]]print(\"A =\", A) print(\"A[1] =\", A[1])      # 第二行print(\"A[1][2] =\", A[1][2])   # 第二行的第三元素print(\"A[0][-1] =\", A[0][-1])   # 第一行的最后一个元素column = [];        # 空 listfor row in A:  column.append(row[2])   print(\"3rd column =\", column)

当运行程序时，输出为：

三、NumPy数组

1. 什么是NumPy？

NumPy是用于科学计算的软件包，它支持强大的N维数组对象。

在使用NumPy之前，需要先安装它。

2. 如何安装NumPy？

如果使用Windows，使用PyCharm 安装NumPy，NumPy它带有一些其他与数据科学和机器学习有关的软件包。

成功安装了NumPy，就可以导入和使用它。

NumPy提供数字的多维数组（实际上是一个对象）。

例 ：

import numpy as npa = np.array([1, 2, 3])print(a)               # 输出: [1, 2, 3]print(type(a))         # 输出: 

NumPy的数组类称为ndarray。

采集失败，请手动处理

https://p3-sign.toutiaoimg.com/pgc-image/09d56072610742e6be4745ee3e2259fe~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=yLx0LaEAGRB5r3Z5Hxu%2Bv5RZ9Oc%3D

注：

NumPy的数组类称为ndarray。

3. 如何创建一个NumPy数组？

有几种创建NumPy数组的方法。

3.1 整数，浮点数和复数的数组

import numpy as npA = np.array([[1, 2, 3], [3, 4, 5]])print(A)A = np.array([[1.1, 2, 3], [3, 4, 5]]) # 浮点数组print(A)A = np.array([[1, 2, 3], [3, 4, 5]], dtype = complex) # 复数数组print(A)

运行效果：

3.2 零和一的数组

import numpy as npzeors_array = np.zeros( (2, 3) )print(zeors_array)ones_array = np.ones( (1, 5), dtype=np.int32 ) // dtypeprint(ones_array)      # 输出: [[1 1 1 1 1]]

在这里，指定dtype了32位（4字节）。因此，该数组可以采用从到的值。-2-312-31-1

3.使用arange()和shape()

import numpy as npA = np.arange(4)print(\'A =\', A)B = np.arange(12).reshape(2, 6)print(\'B =\', B)

采集失败，请手动处理

https://p3-sign.toutiaoimg.com/pgc-image/41e36b487fc54282a47332fdedc43a6a~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=bhcPG%2Fenh3syXbj8jWw3CREhgA0%3D

四、矩阵运算

两个矩阵相加，两个矩阵相乘以及一个矩阵转置。在编写这些程序之前，使用了嵌套列表。让看看如何使用NumPy数组完成相同的任务。

两种矩阵的加法

使用+运算符将两个NumPy矩阵的对应元素相加。

import numpy as npA = np.array([[2, 4], [5, -6]])B = np.array([[9, -3], [3, 6]])C = A + B      # 元素聪明的加法print(C)

两个矩阵相乘

为了将两个矩阵相乘，使用dot()方法。

注意：用于数组乘法（两个数组的对应元素的乘法），而不是矩阵乘法。

import numpy as npA = np.array([[3, 6, 7], [5, -3, 0]])B = np.array([[1, 1], [2, 1], [3, -3]])C = A.dot(B)print(C)

矩阵转置

使用numpy.transpose计算矩阵的转置。

import numpy as npA = np.array([[1, 1], [2, 1], [3, -3]])print(A.transpose())

采集失败，请手动处理

https://p26-sign.toutiaoimg.com/pgc-image/5308ca6888b54a43af37451348c5c0f6~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=YVRMIgVtepMnK5ucxRPa%2F8Sb3D8%3D

注：

NumPy使的任务更加轻松。

五、案例

1. 访问矩阵元素

与列表类似，可以使用索引访问矩阵元素。让从一维NumPy数组开始。

import numpy as npA = np.array([2, 4, 6, 8, 10])print(\"A[0] =\", A[0])     # First element     print(\"A[2] =\", A[2])     # Third element print(\"A[-1] =\", A[-1])   # Last element

运行该程序时，输出为：

现在，让看看如何访问二维数组（基本上是矩阵）的元素。

import numpy as npA = np.array([[1, 4, 5, 12],    [-5, 8, 9, 0],    [-6, 7, 11, 19]])#  First element of first rowprint(\"A[0][0] =\", A[0][0])  # Third element of second rowprint(\"A[1][2] =\", A[1][2])# Last element of last rowprint(\"A[-1][-1] =\", A[-1][-1])

当运行程序时，输出将是：

采集失败，请手动处理

https://p3-sign.toutiaoimg.com/pgc-image/115fac88457b451e97827b58bd0e75b6~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=tTKO%2BV5Z0PTv0UmCwM7ZEPLpqvg%3D

2. 访问矩阵的行

import numpy as npA = np.array([[1, 4, 5, 12],     [-5, 8, 9, 0],    [-6, 7, 11, 19]])print(\"A[0] =\", A[0]) # First Rowprint(\"A[2] =\", A[2]) # Third Rowprint(\"A[-1] =\", A[-1]) # Last Row (3rd row in this case)

当运行程序时，输出将是：

3. 访问矩阵的列

import numpy as npA = np.array([[1, 4, 5, 12],     [-5, 8, 9, 0],    [-6, 7, 11, 19]])print(\"A[:,0] =\",A[:,0]) # First Columnprint(\"A[:,3] =\", A[:,3]) # Fourth Columnprint(\"A[:,-1] =\", A[:,-1]) # Last Column (4th column in this case)

当运行程序时，输出将是：

采集失败，请手动处理

https://p3-sign.toutiaoimg.com/pgc-image/64eeee937a2c49adbbbfc6434c670d58~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=puO%2BTBZ4KcLLQXsX%2BU%2Fs%2BF9XQz0%3D

注：

使用NumPy（而不是嵌套列表）可以更轻松地处理矩阵，而且甚至都没有涉及基础知识。建议详细研究NumPy软件包，尤其是当尝试将Python用于数据科学/分析时。

六、总结

本文基于Python基础，介绍了矩阵和NumPy数组，重点介绍了NumPy数组，如何去安装NumPy模块，如何去创建一个NumPy数组的两种方式。

通过案例的分析，代码的演示，运行效果图的展示，使用Python语言，能够让读者更好的理解。

读者可以根据文章内容，自己实现。有时候看到别人实现起来很简单，但是到自己动手实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

代码很简单，希望对你学习有帮助。