数组与数的运算
arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr + 1
arr * 2
arr / 2
# 可以对比python列表的运算，看出区别
a = [1, 2, 3, 4, 5]
a * 3
数组与数组的运算
arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr2 = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])
上面这个能进行运算吗，结果是不行的！
尝试如下操作呢？
a = np.arange(10).reshape((2,5))
b = np.arange(10,20).reshape((2,5))
a+b
接下来就需要引入数组间操作的规则：广播机制
广播（broadcast）机制
执行 broadcast 的前提在于，两个 ndarray 执行的是 element-wise的运算，Broadcast机制的功能是为了方便不同形状的ndarray（numpy库的核心数据结构）进行数学运算。
当操作两个数组时，numpy会逐个比较它们的shape（构成的元组tuple），只有在下述情况下，两个数组才能够进行数组与数组的运算。
- 维度相等
- shape（其中相对应的一个地方为1）
广播机制的目的在于：把不同形状的两个阵列变成相同
上述（2，1，4）与（3，1）中，从尾部算起，其中第一个数组的末位4，第二个数组的末位为1，符合广播机制中的相对应的一个地方为1，依次往前位数类推，两个数组满足广播机制，所以可以进行运算
再例如：
Image (3d array): 256 x 256 x 3
Scale (1d array): 3
Result (3d array): 256 x 256 x 3
A (4d array): 9 x 1 x 7 x 1
B (3d array): 8 x 1 x 5
Result (4d array): 9 x 8 x 7 x 5
A (2d array): 5 x 4
B (1d array): 1
Result (2d array): 5 x 4
A (2d array): 15 x 3 x 5
B (1d array): 15 x 1 x 1
Result (2d array): 15 x 3 x 5
如果是下面这样，则不匹配：
A (1d array): 10
B (1d array): 12
A (2d array): 2 x 1
B (3d array): 8 x 4 x 3
思考：下面两个ndarray是否能够进行运算？
arr1 = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])
arr2 = np.array([[1], [3]])
arr1形状为：（2，6），arr2形状为：（2，1）
矩阵运算
现在思考如下的学生成绩问题：
思考：如何能够直接得出每个学生的成绩？
什么是矩阵
矩阵，英文matrix，和array的区别矩阵必须是2维的，但是array可以是多维的。
- np.mat()
将数组转换成矩阵类型
矩阵乘法运算
矩阵乘法的两个关键：
- 形状改变
- 运算规则
形状改变：
必须符合上面的式子，否则运算出错。
运算规则：
矩阵乘法api：
-np.matmul
-np.dot
矩阵应用场景
大部分机器学习算法需要用到
版权声明：
笔者博客文章主要用来作为学习笔记使用，内容大部分整理自互联网，如有侵权，请联系博主删除！
|
