Python和Numpy库的常用语句

Numpy官网：https://numpy.org/。Python环境的安装参考：安装Python环境。常用的软件包参考这篇：常用的Python软件包。Python+Numpy库，相当于Matlab，也相当于Fortran+MKL函数库。写起来挺方便的，虽然在运行速度上和Fortran还是有差距。

关于Python中的类，后续做了补充，参考这篇：Python中类和继承的使用。

自己整理的学习代码如下，可复制后放入Python运行环境中学习：

"""
This code is supported by the website: https://www.guanjihuan.com
The newest version of this code is on the web page: https://www.guanjihuan.com/archives/417
"""


# 第一部分：Python基本操作（循环，判断，函数，文件写入）
print('\n第一部分：Python基本操作（循环，判断，函数，文件写入）\n')  # \n代表换行

for i in range(5):  # 循环（这里只举例for循环，还有其他循环）
    print('我是循环产生的数：', i)  # Python中没有end，因此每个语句的缩进很重要
    if i == 2:   # 判断
        print('判断：我是第三个数 2')
    else:
        pass  # pass代表不执行任何语句，用于占位，可以之后再补充，不然空着会报错
print()  # 输出空一行

def fun0(arg):  # 定义函数
    print('我是函数中的内容，参数值为：', arg) 
    return arg*2  # 返回值

print('函数返回值：', fun0(5))  # 调用函数
print()

def main():  # “主函数”，其实也是一个普通的函数，也可以起其他名字
    print('我是主函数中的内容。')
    print()

if __name__ == '__main__':  # 如果直接运行本文件，那么执行以下内容。如果是import本文件，那么不执行。
    main()

# 关于类class，这里不举例了。科学计算中主要还是面向过程，面向对象用的比较少。

# 文件写入
# 第一种方式
with open('test1.txt', 'w') as f1:   # 其中'w'为重新写入，改为'a'是补充内容
    f1.write(str(100)+'\n这是第一种方式写入文件')  # str()为转换成字符串
# 第二种方式
f2 = open('test2.txt', 'w')  # 打开文件
f2.write(str(200)+'\n这是第二种方式写入文件')  # 写入文件
f2.close()  # 关闭文件
print('已写入文件！')
print()




#  第二部分：Numpy库中常用的语句
print('\n\n\n第二部分：Numpy库中常用的语句\n') 
import numpy as np

print('零矩阵：\n', np.zeros((2, 3)))  # 注意np.zeros()里需要填元组，因此显示的是两个括号
print('单位矩阵：\n', np.identity(3))    # 3行3列的单位矩阵,或者可以用np.eye()
print('把一维数组按对角矩阵排列：\n', np.diag([1, 3, 5]))
print()

print('指定步长的等差数列：\n', np.arange(1, 5, .5))  # 区间是左闭右开[1, 5)，步长为0.5
print('指定个数的等差数列：\n', np.linspace(-2, 2, 5))  # 区间是左闭右闭[-2, 2], 数量是5
print()

print('随机数：\n', np.random.uniform(-2, 2))  # 随机浮点数
print('随机整数：\n', np.random.randint(-10, 10))  # 区间是左闭右开[-10, 10)
print()

# 随机数除了使用numpy库，也使用random生成
import random
print('使用random库的随机数：\n', random.uniform(-2,2)) # 随机浮点数
print('使用random库的随机整数：\n', random.randint(-10, 10))  # 区间是左闭右闭[-10, 10]
print()

print('数组从小到大排列：\n', np.sort([1, 7, 0, 3]))
print('数组从小到大排列对应的索引：\n', np.argsort([1, 7, 0, 3]))  # 注意Python中下标是从0开始的
print()

matrix0 = np.array([[1, 2+9j, 3], [2, 5, 7]])  # numpy数组
print('矩阵0：\n', matrix0)
print('矩阵的维度：\n', matrix0.shape)  # 查看矩阵的维度
print('矩阵的行数：\n', matrix0.shape[0])  # 查看矩阵的行数
print('矩阵的列数：\n', matrix0.shape[1])  # 查看矩阵的列数
print('矩阵转置：\n', matrix0.transpose())  # 矩阵转置
print('矩阵转置共轭：\n', matrix0.transpose().conj())  # 矩阵转置共轭
print()

matrix1 = np.array([[3, 5], [2, 7]])
eigenvalue, eigenvector = np.linalg.eig(matrix1)  # 求本征值，本征向量
print('矩阵1：\n', matrix1)
print('本征值：\n', eigenvalue)
print('本征向量：\n', eigenvector) # 列向量为本征向量
print('逆矩阵：\n', np.linalg.inv(matrix1))  # 求逆
print('计算行列式：\n', np.linalg.det(matrix1))  # 行列式
print()

matrix2 = np.array([[1, 2], [3, 4]])
print('矩阵2：\n', matrix2)
print('矩阵1和矩阵2相乘：\n', np.matmul(matrix1, matrix2))  # 矩阵乘积，或者可以用np.dot()
print()

a = np.array([1, 2])
print('numpy数组a=', a)
b = np.array([3, 4])
print('numpy数组b=', b)
c = np.append(a, b, axis=0)  # 增加元素
print('numpy数组增加元素：\n', c)  
d = np.append([a], [b], axis=0) # 增加行（列数要相同），或者用np.row_stack(([a], [b]))
print('numpy数组增加行：\n', d) 
e = np.append([a], [b], axis=1) # 增加列（行数要相同），或者用np.column_stack(([a], [b]))
print('numpy数组增加列：\n', e)  
print('重新观察：a=', a)
print('重新观察：b=', b)
print()


# 如果不是numpy数组，原python数组可以直接用以下方法增加元素
c = [100, 200]
print('python数组c=', c)
c.append(300)
print('增加元素后，c=', c)
print()

运行结果：

第一部分：Python基本操作（循环，判断，函数，文件写入）

我是循环产生的数： 0
我是循环产生的数： 1
我是循环产生的数： 2
判断：我是第三个数 2
我是循环产生的数： 3
我是循环产生的数： 4

我是函数中的内容，参数值为： 5
函数返回值： 10

我是主函数中的内容。

已写入文件！




第二部分：Numpy库中常用的语句

零矩阵：
 [[0. 0. 0.]
 [0. 0. 0.]]
单位矩阵：
 [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
把一维数组按对角矩阵排列：
 [[1 0 0]
 [0 3 0]
 [0 0 5]]

指定步长的等差数列：
 [1.  1.5 2.  2.5 3.  3.5 4.  4.5]
指定个数的等差数列：
 [-2. -1.  0.  1.  2.]

随机数：
 1.753277461212404
随机整数：
 -1

使用random库的随机数：
 -0.3360074630782304
使用random库的随机整数：
 -9

数组从小到大排列：
 [0 1 3 7]
数组从小到大排列对应的索引：
 [2 0 3 1]

矩阵0：
 [[1.+0.j 2.+9.j 3.+0.j]
 [2.+0.j 5.+0.j 7.+0.j]]
矩阵的维度：
 (2, 3)
矩阵的行数：
 2
矩阵的列数：
 3
矩阵转置：
 [[1.+0.j 2.+0.j]
 [2.+9.j 5.+0.j]
 [3.+0.j 7.+0.j]]
矩阵转置共轭：
 [[1.-0.j 2.-0.j]
 [2.-9.j 5.-0.j]
 [3.-0.j 7.-0.j]]

矩阵1：
 [[3 5]
 [2 7]]
本征值：
 [1.25834261 8.74165739]
本征向量：
 [[-0.94434861 -0.65672111]
 [ 0.32894635 -0.75413353]]
逆矩阵：
 [[ 0.63636364 -0.45454545]
 [-0.18181818  0.27272727]]
计算行列式：
 11.000000000000002

矩阵2：
 [[1 2]
 [3 4]]
矩阵1和矩阵2相乘：
 [[18 26]
 [23 32]]

numpy数组a= [1 2]
numpy数组b= [3 4]
numpy数组增加元素：
 [1 2 3 4]
numpy数组增加行：
 [[1 2]
 [3 4]]
numpy数组增加列：
 [[1 2 3 4]]
重新观察：a= [1 2]
重新观察：b= [3 4]

python数组c= [100, 200]
增加元素后，c= [100, 200, 300]

3,700 次浏览

【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】