### Numpy 矩阵生成与常用操作 #### 1. 矩阵生成方式 Numpy 提供了多种生成矩阵的方法，以下是几种常见的方法： - **使用 `np.array` 方法** 这是最基本的创建矩阵的方式之一。可以通过传入列表来构建矩阵。例如： ```python import numpy as np A = np.array([1, 2, 3]) B = np.array([[1, 2], [3, 4]]) ``` - **使用 `np.mat` 和 `np.matrix` 方法** `np.mat` 和 `np.matrix` 是专门用于创建矩阵的对象。两者功能相似，但需要注意的是，当输入为已有矩阵或 ndarray 对象时，`np.mat` 不会复制原对象的数据[^2]。例如： ```python mat1 = np.mat("1 2 3; 4 5 6") mat2 = np.matrix([[1, 2], [3, 4]]) ``` - **使用 `np.bmat` 方法** 当需要通过多个小矩阵组合成一个大矩阵时，可以使用 `np.bmat` 函数。该函数支持字符串形式定义分块矩阵结构。例如： ```python arr1 = np.ones((2, 2)) arr2 = np.zeros((2, 2)) block_matrix = np.bmat("arr1 arr2; arr2 arr1") ``` - **其他特殊矩阵生成方法** - 使用 `np.empty` 创建未初始化的矩阵，其内容是随机填充的[^3]。 ```python empty_mat = np.empty((2, 2), order='C') ``` - 使用 `np.zeros` 或 `np.ones` 初始化全零或全一矩阵。 ```python zero_mat = np.zeros((3, 3)) one_mat = np.ones((3, 3)) ``` --- #### 2. 常见矩阵操作 ##### 2.1 矩阵属性查询 - 查询形状 (`shape`)、大小 (`size`) 和维度数 (`ndim`)： ```python matrix = np.random.rand(3, 3) shape = matrix.shape # 返回 (3, 3)，表示行列数 size = matrix.size # 返回总元素数量 ndim = matrix.ndim # 返回维度数目 ``` ##### 2.2 矩阵重塑 利用 `reshape` 方法改变矩阵形状而不修改数据。注意新形状需满足原始数据总量不变的原则。例如： ```python original = np.arange(12).reshape(3, 4) # 将长度为12的一维数组转换为3×4矩阵 reshaped = original.reshape(4, 3) # 转换回4×3矩阵 ``` ##### 2.3 数学运算 Numpy 支持高效的逐元素算术运算和矩阵乘法。 - **加减乘除**： ```python a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) add_result = a + b # 加法 sub_result = a - b # 减法 mul_elementwise = a * b # 逐元素相乘 div_elementwise = a / b # 逐元素相除 dot_product = np.dot(a, b) # 矩阵乘法 ``` - **转置**： 利用 `.T` 属性获取矩阵的转置版本。例如： ```python transposed = a.T ``` ##### 2.4 高级操作 - **广播机制**：允许不同尺寸的数组之间执行运算。例如将标量加到整个矩阵上： ```python scalar_addition = a + 10 ``` - **切片与索引**：类似于 Python 列表的操作语法，可提取子集或特定位置的值。例如： ```python row_1 = a[0, :] # 获取第1行 column_1 = a[:, 0] # 获取第1列 element = a[0, 0] # 获取左上角元素 slice_submatrix = a[:2, :2] # 截取前两行前两列构成的小矩阵 ``` - **拼接与分割**：分别由 `np.concatenate` 和 `np.split` 实现。例如水平方向连接两个矩阵： ```python concatenated = np.concatenate((a, b), axis=1) split_parts = np.split(concatenated, indices_or_sections=[2], axis=1) ``` --- ### 总结 以上介绍了 Numpy 中常用的矩阵生成方法及其基础操作技巧。这些工具能够极大地简化数值计算过程并提升效率。对于更复杂的场景，建议进一步学习官方文档中的高级主题。