numpy常见运算

指数运算np.exp()

np.exp(x)会创建一个新的对象，
np.exp(x,x)会将结果赋给x不会创建新的对象

exp = np.array([3.0, 5.0])
# 会将指数运算e^3.0, e^5.0 的结果赋给exp,
exp = np.array([3.0, 5.0])
print 'exp', id(exp)
exp1 = np.exp(exp)
print 'exp1', id(exp1),exp1 
np.exp(exp, exp)
print 'exp', id(exp), exp

倒数运算np.reciprocal(),用法同np.exp

矩阵升一维

  np.expand_dims(rows, axis=0)等价与rows[np.newaxis,:]，    
  np.newaxis也可以用None替代

rows = np.array([[0, 3, 5],[10, 13, 15]], dtype=np.intp)
print rows.shape

(2, 3)

axis0 = np.expand_dims(rows, axis=0)
print axis0
print axis0.shape

[[[ 0  3  5]
  [10 13 15]]] 
(1, 2, 3)

row = rows[np.newaxis,:]
print row,row.shape
print rows.shape

[[[ 0  3  5]
  [10 13 15]]] 
(1, 2, 3)

axis1 = np.expand_dims(rows, axis=1)
print axis1,axis1.shape
row = rows[:,np.newaxis,]
print row,row.shape

[[[ 0  3  5]]

 [[10 13 15]]] (2, 1, 3)
[[[ 0  3  5]]

 [[10 13 15]]] (2, 1, 3)

axis1 = np.expand_dims(rows, axis=2)
print axis1,axis1.shape
row = rows[:,:,np.newaxis,]
print row,row.shape

[[[ 0]
  [ 3]
  [ 5]]

 [[10]
  [13]
  [15]]] (2, 3, 1)
[[[ 0]
  [ 3]
  [ 5]]

 [[10]
  [13]
  [15]]] (2, 3, 1)

rows = np.array([1,2,3,4,5,6,7,8])
row = rows[:,np.newaxis]
print row

[[1]
 [2]
 [3]
 [4]
 [5]
 [6]
 [7]
 [8]]

random

详见链接

矩阵转置

arr1 = np.array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],
       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
# 这是原来的矩阵。如果对其进行转置，执行
print arr1.shape

输出

(2, 2, 4)

shape（2，2，4），三维原有顺序（0，1，2）
(1,0,2)表示前两维转置，后一维维数不变,转换后矩阵shape（2，2，4），虽然形状没有变化，但是内容变了
A[x,y,z]---->B[y,x,z],就是A矩阵位置[x,y,z]元素转换到B矩阵中位置为[y,x,z],如：
A[0,0,0]--->B[0,0,0]
A[0,0,1]--->B[0,0,1]
...
A[0,0,3]--->B[0,0,3]
以上这些元素的位置不会变化
A[0,1,0]--->B[1,0,0]
A[0,1,1]--->B[1,0,1]
...
A[0,1,3]--->B[1,0,3]
以上这些元素的位置会变化

arr2 = arr1.transpose((1,0,2))
print arr2

[[[ 0  1  2  3]
  [ 8  9 10 11]]

 [[ 4  5  6  7]
  [12 13 14 15]]]

第一维不变，后两维交换位置
(0,1,2)---->(0,2,1)
shape(2,2,4)---->shape(2,4,2)
这时候矩阵形状发生了变化

arr3 = arr1.transpose((0,2,1))
print arr3

[[[ 0  4]
  [ 1  5]
  [ 2  6]
  [ 3  7]]

 [[ 8 12]
  [ 9 13]
  [10 14]
  [11 15]]]

arr4 = arr1.transpose((2,1,0))
print arr4

[[[ 0  8]
  [ 4 12]]

 [[ 1  9]
  [ 5 13]]

 [[ 2 10]
  [ 6 14]]

 [[ 3 11]
  [ 7 15]]]

这个要是在实际应用中，使用什么方式转出自己想要的样子还需要多观察。

矩阵合并

z = np.array([1,2,3,4,5,6])
rand = np.random.rand(6,2)
print type(rand)
print z.shape
z = z[:, np.newaxis]
print np.hstack((rand, z))

矩阵正规化（单位模长为1）

from sklearn import preprocessing
X = [[ 1., -1.,  2.],
     [ 2.,  0.,  0.],
     [ 0.,  1., -1.]]
X = np.array(X)
X_normalized = preprocessing.normalize(X, norm='l2')
print X_normalized
print np.linalg.norm(X_normalized[0])

[[ 0.40824829 -0.40824829  0.81649658]
 [ 1.          0.          0.        ]
 [ 0.          0.70710678 -0.70710678]]
1.0

矩阵行求和

变量.sum(axis=1)