【Day 25】NumPy (2)

前言

今天要来继续介绍关於 NumPy 的应用。

资料型态、数学运算等等

NumPy

Datatype

在新建一个 ndarray 後，可以指定这个矩阵里面要存的资料的资料型别

import numpy as np

# 用字串指定 Datatype
x = np.array([1, 2, 3], dtype = 'uint8')

# 通过 np.datatype 指定
x = np.array([4, 5, 6], dtype = np.int16)

Datatype 转换

在建立好矩阵後，可以透过 astype() 将矩阵内元素的元素转换型态。

x = np.array([1, 2, 3], dtype = 'uint8')
test = x.astype('float8')

NumPy 运算

• 转置 Transpose：透过 array.T 这个函式来转置矩阵

array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array1)
#[[1 2 3]
# [4 5 6]
# [7 8 9]]
array1_T = array1.T
print(array1_T)
#[[1 4 7]
# [2 5 8]
# [3 6 9]]

• 加减乘除运算

array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[10, 11, 12], [13, 14, 15], [16, 17, 18]])

print(array1 + array2)
# [[11 13 15]
#  [17 19 21]
#  [23 25 27]]
print(array1 - array2)
# [[-9 -9 -9]
#  [-9 -9 -9]
#  [-9 -9 -9]]
print(array1 * array2)
# [[ 10  22  36]
#  [ 52  70  90]
#  [112 136 162]]
print(array1 / array2)
# [[0.1        0.18181818 0.25      ]
#  [0.30769231 0.35714286 0.4       ]
#  [0.4375     0.47058824 0.5       ]]

这边的 * 运算不是矩阵的内鸡 dot 运算，是把同样位置的元素乘起来而已。

若要计算矩阵的内积，要通过 np.dot() 来运算

print(np.dot(array1, array2))
#[[ 84  90  96]
# [201 216 231]
# [318 342 366]]

NumPy 广播（broadcasting）

矩阵运算的两个矩阵应该形状要相同，才能运算。在 NumPy 中引入了广播（broadcasting）的概念，用於当两个矩阵的形状不相等时，会自动补齐资料来让运算可以继续执行。

array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = array1 + 1
print(array2)
# [[ 2  3  4]
#  [ 5  6  7]
#  [ 8  9 10]]

这边矩阵 array1 跟 1 相加，可以把 1 当作是一个 1x1 的矩阵，他被广播成了 3x3，其他空格都用 1 来填充。

实际上他做的事情是

array1 + np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])

如果相加的两个矩阵中，有其他一个维度一样

array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array3 = np.array([1, 2, 3])
print(array1 + array3)
# [[ 2  4  6]
#  [ 5  7  9]
#  [ 8 10 12]]

矩阵 array1 是一个 3x3 的矩阵，矩阵 array3 是一个 1x3 的矩阵，当他们有满足某一个维度一样，NumPy 会把 array3 的那一行广播到变成三行。

待续...