讓我們從一個腳本開始瞭解相應的計算以及表示形式 ：
import numpy as np
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
b=np.arange(4) # array([0, 1, 2, 3])
numpy 的幾種基本運算
上述代碼中的 `a` 和 `b` 是兩個屬性為 array 也就是矩陣的變量，而且二者都是1行4列的矩陣， 其中b矩陣中的元素分別是從0到3。 如果我們想要求兩個矩陣之間的減法，你可以嘗試著輸入：
c=a-b # array([10, 19, 28, 37])
通過執行上述腳本，將會得到對應元素相減的結果，即`[10,19,28,37]`。 同理，矩陣對應元素的相加和相乘也可以用類似的方式表示：
c=a+b # array([10, 21, 32, 43])
c=a*b # array([ 0, 20, 60, 120])
有所不同的是，在Numpy中，想要求出矩陣中各個元素的乘方需要依賴雙星符號 `**`，以二次方舉例，即：
c=b**2 # array([0, 1, 4, 9])
另外，Numpy中具有很多的數學函數工具，比如三角函數等，當我們需要對矩陣中每一項元素進行函數運算時，可以很簡便的調用它們（以`sin`函數為例）：
c=10*np.sin(a)
# array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
除了函數應用外，在腳本中對`print`函數進行一些修改可以進行邏輯判斷：
print(b<3)
# array([ True, True, True, False], dtype=bool)
此時由於進行邏輯判斷，返回的是一個bool類型的矩陣，即對滿足要求的返回`True`，不滿足的返回`False`。上述程序執行後得到的結果是`[True True True False]`。 需要注意的是，如果想要執行是否相等的判斷， 依然需要輸入 `==` 而不是 `=` 來完成相應的邏輯判斷。
上述運算均是建立在一維矩陣，即只有一行的矩陣上面的計算，如果我們想要對多行多維度的矩陣進行操作，需要對開始的腳本進行一些修改：
a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))
print(a)
# array([[1, 1],
# [0, 1]])
print(b)
# array([[0, 1],
# [2, 3]])
此時構造出來的矩陣`a`和`b`便是2行2列的，其中 `reshape` 操作是對矩陣的形狀進行重構， 其重構的形狀便是括號中給出的數字。 稍顯不同的是，Numpy中的矩陣乘法分為兩種， 其一是前文中的對應元素相乘，其二是標準的矩陣乘法運算，即對應行乘對應列得到相應元素：
c_dot = np.dot(a,b)
# array([[2, 4],
# [2, 3]])
除此之外還有另外的一種關於`dot`的表示方法，即：
c_dot_2 = a.dot(b)
# array([[2, 4],
# [2, 3]])
下面我們將重新定義一個腳本, 來看看關於 `sum()`, `min()`, `max()`的使用：
import numpy as np
a=np.random.random((2,4))
print(a)
# array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
# [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
因為是隨機生成數字, 所以你的結果可能會不一樣. 在第二行中對`a`的操作是令`a`中生成一個2行4列的矩陣，且每一元素均是來自從0到1的隨機數。 在這個隨機生成的矩陣中，我們可以對元素進行求和以及尋找極值的操作，具體如下：
np.sum(a) # 4.4043622002745959
np.min(a) # 0.23651223533671784
np.max(a) # 0.90438450240606416
對應的便是對矩陣中所有元素進行求和，尋找最小值，尋找最大值的操作。 可以通過`print()`函數對相應值進行打印檢驗。
如果你需要對行或者列進行查找運算，就需要在上述代碼中為 axis 進行賦值。 當axis的值為0的時候，將會以列作為查找單元， 當axis的值為1的時候，將會以行作為查找單元。
為了更加清晰，在剛才的例子中我們繼續進行查找：
print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]
print("sum =",np.sum(a,axis=1))
# sum = [ 1.96877324 2.43558896]
print("min =",np.min(a,axis=0))
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
print("max =",np.max(a,axis=1))
# max = [ 0.84869417 0.9043845 ]
最後
如果你覺得本文對你有幫助，希望可以關注並轉發，這樣我會更有動力更新的。
閱讀更多 僱個城管打天下y 的文章
