精华内容
下载资源
问答
  • 2018-11-12 19:22:50
    # 创建二维数组矩阵arr(浮点类型)
    arr=np.array([np.arange(1,5),np.arange(6,10)],dtype=np.float64)
    print(arr)
    # 矩阵自乘
    arr1=arr*arr
    print('矩阵自乘结果\n',arr1)
    # 矩阵自减
    arr2=arr-arr
    print('矩阵自减结果\n',arr2)
    # 与标量相除
    arr3=1/arr
    print('与标量相除结果\n',arr3)
    # 矩阵1/2次幂运算
    arr4 = arr ** 0.5
    print('arr4矩阵1/2次幂运算结果:\n', arr4)
    

    [[1. 2. 3. 4.]
    [6. 7. 8. 9.]]
    矩阵自乘结果
    [[ 1. 4. 9. 16.]
    [36. 49. 64. 81.]]
    矩阵自减结果
    [[0. 0. 0. 0.]
    [0. 0. 0. 0.]]
    与标量相除结果
    [[1. 0.5 0.33333333 0.25 ]
    [0.16666667 0.14285714 0.125 0.11111111]]
    arr4矩阵1/2次幂运算结果:
    [[1. 1.41421356 1.73205081 2. ]
    [2.44948974 2.64575131 2.82842712 3. ]]

    更多相关内容
  • 基本矢量运算法则

    2018-10-15 17:54:32
    基本的矢量运算法则,包括矢量的微积分运算,张量运算应该暂时用不到,一般工科专业用足够了。
  • python中NumPy的矢量运算

    千次阅读 2019-10-03 11:05:19
    接下来了解下矢量运算的能力, 矢量的特性可以理解为并行化的运算, 也就是说在对数组执行复杂计算时会作用到元素级别, 这样仅仅用简洁的表达式就可以代替Python的for循环。 我们先使用NumPy的random....

    接下来了解下矢量运算的能力,
    矢量的特性可以理解为并行化的运算,
    也就是说在对数组执行复杂计算时会作用到元素级别,
    这样仅仅用简洁的表达式就可以代替Python的for循环。

    我们先使用NumPy的random.normalvariate()生成一个平均收盘股价为10元(即期望为10),振幅为1元(即标准差为1),样本数量为1000的正态分布随机数组,如下所示:

    stock_data = np.random.normal(loc=10.0, scale=1.0, size=1000)
    print("stock_data:\n {}".format(stock_data))
    """
    stock_data:
    [10.78547256  9.76528172  9.22565839  9.88816694  9.98375121  8.82134049
     10.35872851  9.47037456 10.10779769  8.90763374  9.87537764 10.19336141
     10.23045668  9.56778185  .......  11.52876708  9.31758815  9.92082024]
    """
    

    我们规整化所有浮点型随机数据的精度,以便于后续显示和运算。此处使用np.around()方法将所有数据保留2位小数,由于矢量运算的能力,此处仅需一行代码就可实现,如下所示:

    stock_data = np.around(stock_data,2)#保留2位小数
    print("stock_data:\n {}".format(stock_data))
    """
    stock_data:
    [11.97  9.34 12.14 11.28 11.7   8.65  8.81  8.63 11.93  9.48  8.93  9.83
     10.54  9.38 10.93  9.09 10.4   9.88 10.35 11.67  7.97 12.19 10.1  11.22
      9.85 10.91 10.38  9.16  9.46  ...... 10.02  9.27 11.2   9.4   9.83  8.99]
    """
    

    还有其他方法
    np.roll()为循环右移
    第一个值需要设置为无效值np.nan
    np.roll(stock_data,1)

    NumPy中的ndarray类,可以更加简洁的进行
    矢量算术运算,并且在处理多维的大规模数组时快速且节省空间。

    展开全文
  • 矢量运算辅助工具v1.1

    2014-09-29 21:56:39
    自己用Excel做的矢量运算辅助工具。 可以进行矢量取模,求方向矢量 矢量加减 矢量的点积(标量积)、叉积(矢量积)等运算
  • Eigen是一个高层次的C ++库,有效支持线性代数,矩阵和矢量运算,数值分析及其相关的算法
  • Eigen是一个高层次的C ++库,有效支持线性代数,矩阵和矢量运算,数值分析及其相关的算法。Eigen是一个开源库,从3.1.1版本开始遵从MPL2许可。
  • 大学物理矢量和矢量运算PPT学习教案.pptx
  • 矢量运算基础上提出一种加权的矢量相似度彩色图像边缘检测法,给出了算法思想和计算步骤,并进行了验证。该算法首先将彩色图像转换到YCbCr颜色模型并构造像素的矢量表达,然后利用矢量欧氏距离计算像素间的相似度...
  • N维数组对象nadarray核心的两个对象:矢量运算和广播运算。 一、矢量运算 将两个形状完全一样的数组与元素之间逐个相加,有两种方法:1、for-in循环实现;2、NumPy的运算表达式实现。 1. for-in循环实现数组运算 ...

    N维数组对象nadarray核心的两个对象:矢量运算和广播运算。

    一、矢量运算

    将两个形状完全一样的数组与元素之间逐个相加,有两种方法:1、for-in循环实现;2、NumPy的运算表达式实现。

    1. for-in循环实现数组运算

    list_4x3_a = [[1,1,1],[2,2,2],[3,3,3],[4,4,4]]
    list_4x3_b = [[5,5,5],[5,5,5],[5,5,5],[5,5,5]]
    list_4x3_c = [[0,0,0],[0,0,0],[0,0,0],[0,0,0]]
    
    for i in range(4):
        for j in range(3):
            list_4x3_c[i][j] = list_4x3_a[i][j] + list_4x3_b[i][j]
    
    print(list_4x3_c)
    [[6, 6, 6], [7, 7, 7], [8, 8, 8], [9, 9, 9]]
    

    2. NumPy的运算表达式实现

    NumPy的矢量特性主要表现为并行化的运算,也就是说在对数组执行运算时会做用到元素级别。

    import numpy as np
    array_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]]) 
    array_4x3_b = np.array([[5,5,5],[5,5,5],[5,5,5],[5,5,5]])
    print(array_4x3_a+array_4x3_b)
    [[6 6 6]
     [7 7 7]
     [8 8 8]
     [9 9 9]]

    二、 广播运算的特性

    对于不同大小的数组之间的运算,在NumPy中提供了对应的处理机制,那就是广播特性。

    NumPy的广播特性放宽了对数组形状的限制,使得较小的数组可以“广播”到教的数组相同的形状尺度上,使它们能够对等地进行数学计算。最简单的广播场景是一个数组和一个标量运算,标量值会传播到数组的各个元素中。

    import numpy as np
    array_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
    
    print(array_4x3_a+5)
    [[6 6 6]
     [7 7 7]
     [8 8 8]
     [9 9 9]]

    当两个数组进行计算时,NumPy会逐元素地比较他们的形状,从末尾的维度向前执行。只有当它们相等,或者其中一个为1,两个维度才算是兼容的。相兼容的两个数组运算后的结果与各维度上最大尺寸相同。

    1. 相兼容的

    import numpy as np
    array_4x3 = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
    array_1x3 = np.array([1,2,3])
    print(array_4x3 + array_1x3)
    [[2 3 4]
     [3 4 5]
     [4 5 6]
     [5 6 7]]

    2. 不兼容的

    import numpy as np
    array_4x3 = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
    array_2x1 = np.array([[1],[1]])
    print(array_4x3 + array_2x1)
    ValueError: operands could not be broadcast together with shapes (4,3) (2,1)

    正确形式如下:

    import numpy as np
    array_4x3 = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
    array_4x1 = np.array([[1],[1],[1],[1]])
    print(array_4x3 + array_4x1)
    
    [[2 2 2]
     [3 3 3]
     [4 4 4]
     [5 5 5]]

     

     

    展开全文
  • 矢量运算PPT学习教案.pptx
  • 大学物理矢量运算学习教案.pptx
  • 介绍了矢量及涉及到的微积分运算法则,不同坐标系下的矢量运算,Maxwell方程的推导和不同坐标系下的求解方法
  • 矢量运算法则PPT学习教案.pptx
  • 矢量运算实用PPT学习教案.pptx
  • 大学物理矢量运算PPT课件.pptx
  • 常用的一些矢量运算公式.doc
  • 大学物理矢量运算PPT学习教案.pptx
  • 理论力学矢量运算基本知识PPT课件.pptx
  • 理论力学矢量运算基本知识PPT学习教案.pptx
  • 工科物理基础数学知识
  • 基于AltiVec技术的PowerPC处理器矢量运算性能测试.pdf
  • dddr:R中的三维矢量运算
  • 基于相位截断菲涅耳变换和基本矢量运算的三重图像加密
  • Eigen3_Eigen33.4_线性代数_矩阵和矢量运算_eigen3.3.zip
  • 三维矢量运算(点乘、差乘),有代码,opengl运行。
  • Eigen3_Eigen33.4_线性代数_矩阵和矢量运算_eigen3.3_源码.zip

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 37,594
精华内容 15,037
关键字:

矢量运算