python中怎么用numpy进行矩阵运算？

NumPy的ndarray因内存连续、类型一致、底层C实现及丰富函数库，在性能、功能和生态上全面优于Python嵌套列表，成为科学计算首选。

NumPy是Python进行高效矩阵运算的基石，它通过其核心的

ndarray

解决方案

在Python中，要进行矩阵运算，NumPy无疑是首选。它不仅提供了一个功能丰富的多维数组对象，还内置了大量优化过的数学函数，能够以C语言的速度执行操作。

首先，你需要导入NumPy库：

import numpy as np

1. 创建矩阵

立即学习“Python免费学习笔记（深入）”；

NumPy提供了多种创建矩阵的方式：

• 从Python列表创建： 最常见的方式，将嵌套列表转换为

  ndarray

  登录后复制
  。

  matrix_a = np.array([[1, 2], [3, 4]])
  matrix_b = np.array([[5, 6], [7, 8]])
  print("Matrix A:\n", matrix_a)
  print("Matrix B:\n", matrix_b)

  登录后复制

• 全零矩阵、全壹矩阵、单位矩阵：

  zeros_matrix = np.zeros((2, 3)) # 2行3列的全零矩阵
  ones_matrix = np.ones((3, 2))   # 3行2列的全壹矩阵
  identity_matrix = np.eye(3)     # 3x3的单位矩阵
  print("\nZeros Matrix:\n", zeros_matrix)
  print("Ones Matrix:\n", ones_matrix)
  print("Identity Matrix:\n", identity_matrix)

  登录后复制

• 随机矩阵：

  random_matrix = np.random.rand(2, 2) # 2x2的[0, 1)均匀分布随机矩阵
  print("\nRandom Matrix:\n", random_matrix)

  登录后复制

2. 基本矩阵运算

NumPy的

ndarray

• 加法和减法：

  sum_matrix = matrix_a + matrix_b
  diff_matrix = matrix_a - matrix_b
  print("\nSum (A+B):\n", sum_matrix)
  print("Difference (A-B):\n", diff_matrix)

  登录后复制

• 元素级乘法和除法：

  element_wise_product = matrix_a * matrix_b
  element_wise_division = matrix_a / matrix_b # 注意除数为零的情况
  print("\nElement-wise Product (A*B):\n", element_wise_product)
  print("Element-wise Division (A/B):\n", element_wise_division)

  登录后复制

• 标量运算：

  scaled_matrix = matrix_a * 2
  print("\nScaled Matrix (A*2):\n", scaled_matrix)

  登录后复制

3. 矩阵乘法

这是与元素级乘法最容易混淆的地方。标准的矩阵乘法（点积）在NumPy中有两种主要方式：

• @

  登录后复制
  运算符 (Python 3.5+)： 这是推荐且最直观的方式。

  matrix_c = np.array([[1, 2, 3], [4, 5, 6]]) # 2x3
  matrix_d = np.array([[7, 8], [9, 10], [11, 12]]) # 3x2
  product_matrix = matrix_c @ matrix_d # 结果是2x2
  print("\nMatrix C:\n", matrix_c)
  print("Matrix D:\n", matrix_d)
  print("Matrix Product (C @ D):\n", product_matrix)

  登录后复制

• np.dot()

  登录后复制
  函数： 同样可以用于矩阵乘法，但对于一维数组有不同的行为，因此

  @

  登录后复制
  更明确。

  product_matrix_dot = np.dot(matrix_c, matrix_d)
  print("Matrix Product (np.dot(C, D)):\n", product_matrix_dot)

  登录后复制

4. 转置

矩阵转置非常简单，使用

.T

transposed_matrix_a = matrix_a.T
print("\nTransposed Matrix A:\n", transposed_matrix_a)

5. 逆矩阵和行列式

这些操作属于线性代数范畴，NumPy的

linalg

try:
    inverse_matrix_a = np.linalg.inv(matrix_a)
    determinant_matrix_a = np.linalg.det(matrix_a)
    print("\nInverse of Matrix A:\n", inverse_matrix_a)
    print("Determinant of Matrix A:", determinant_matrix_a)

    # 验证 A * A_inv 约等于 单位矩阵
    print("A @ A_inv:\n", matrix_a @ inverse_matrix_a)
except np.linalg.LinAlgError as e:
    print(f"\nError calculating inverse or determinant: {e}")

6. 求解线性方程组

np.linalg.solve()

乾坤圈新媒体矩阵管家

新媒体账号、门店矩阵智能管理系统

17

查看详情

A = np.array([[3, 1], [1, 2]])
B = np.array([9, 8])
x = np.linalg.solve(A, B)
print("\nSolving Ax = B for x:")
print("A:\n", A)
print("B:", B)
print("x:", x)
# 验证：A @ x 应该等于 B
print("A @ x:", A @ x)

这些只是NumPy矩阵运算的冰山一角，但已经涵盖了日常工作中绝大部分需求。其强大的功能和简洁的语法，让它成为Python科学计算不可或缺的工具。

NumPy矩阵与Python列表嵌套列表有什么本质区别，为什么我们更偏爱前者？

说实话，刚接触Python做数值计算时，我一度觉得用列表的列表（

[[1, 2], [3, 4]]

ndarray

首先，数据存储与类型一致性是关键。Python的列表可以存储任何类型的数据，这意味着列表中的每个元素都是一个独立的Python对象，它们可能分散在内存的不同位置。而NumPy的

ndarray

其次，性能。NumPy的底层是用C和Fortran实现的，这意味着它的核心运算速度非常快。当你在NumPy中执行

matrix_a + matrix_b

再者，功能和便利性。NumPy提供了海量的数学函数和线性代数操作，这些都是针对

ndarray

np.linalg.inv()

np.dot()

@

最后，生态系统。NumPy是Python科学计算生态的核心，像SciPy（科学计算）、Pandas（数据分析）、Matplotlib（绘图）、Scikit-learn（机器学习）等库都严重依赖NumPy。学习和使用NumPy，相当于拿到了进入整个Python科学计算世界的通行证。所以，我们偏爱NumPy，不仅仅是因为它快，更是因为它提供了一套完整、高效、且与整个生态无缝衔接的解决方案。

处理大型矩阵运算时，如何避免常见的性能陷阱？

处理大型矩阵时，性能问题总是绕不过去的一道坎。我见过不少新手，甚至包括我自己，在面对大数据量时，会不自觉地掉进一些性能陷阱里。避免这些陷阱，关键在于理解NumPy的工作原理和它的“哲学”——即向量化操作。

一个最常见的陷阱就是使用显式的Python循环来处理数组元素。这几乎是NumPy使用的“禁忌”。比如，你想对矩阵的每个元素加10，如果你写：

# 性能陷阱示例
large_matrix = np.random.rand(1000, 1000)
result_matrix = np.zeros_like(large_matrix)
rows, cols = large_matrix.shape
for i in range(rows):
    for j in range(cols):
        result_matrix[i, j] = large_matrix[i, j] + 10

这段代码虽然能工作，但效率会非常低。正确的NumPy方式是：

# 正确的向量化操作
large_matrix = np.random.rand(1000, 1000)
result_matrix = large_matrix + 10 # 一行代码，速度快如闪电

NumPy的底层C实现会处理这个加法，避免了Python循环的开销。所以，记住，能用NumPy内置函数或运算符完成的，就绝不用Python循环。

另一个需要注意的陷阱是频繁创建临时数组。在进行一系列复杂操作时，如果每一步都生成一个新的中间数组，可能会导致内存开销过大，尤其是在内存受限的环境下。例如，

a + b + c

temp1 = a + b; temp2 = temp1 * c; result = temp2 / d

a += b

out

数据类型（dtype）的选择也常常被忽视。默认情况下，NumPy可能会选择

float64

int64

np.uint8

np.float64

dtype

最后，理解

copy

view

.copy()

总之，避免性能陷阱的核心在于拥抱NumPy的向量化哲学，尽量利用其底层优化，并对数据类型和内存管理保持敏感。

除了基础运算，NumPy在科学计算中还有哪些高级应用场景？

NumPy的价值远不止于加减乘除和简单的矩阵乘法。它为整个Python科学计算生态系统提供了坚实的基础，其高级功能在诸多领域都有着不可替代的作用。

首先，复杂的线性代数运算。除了前面提到的逆矩阵和行列式，

np.linalg

np.linalg.eig

np.linalg.svd

其次，傅里叶变换。

np.fft

再者，随机数生成和统计建模。

np.random

np.mean

np.std

np.median

此外，与SciPy等库的无缝集成。NumPy是SciPy库（Scientific Python）的基石。SciPy在NumPy的基础上，提供了更高级和专业的科学计算功能，包括优化、插值、积分、特殊函数、图像处理等。它们协同工作，共同构建了Python强大的科学计算能力。例如，在进行数值积分时，

scipy.integrate

最后，数据预处理和特征工程。在机器学习项目中，数据往往不是规整的，需要大量的预处理。NumPy的数组操作、索引、切片、广播等功能，使得对数据进行归一化、标准化、缺失值填充、特征组合等操作变得非常高效和便捷。它能让你以简洁的代码完成复杂的数据转换，为后续的模型训练打下坚实基础。

总的来说，NumPy不仅仅是一个矩阵运算库，它更是一个多功能的数据处理和数值计算平台，是现代科学研究和工程实践中不可或缺的工具。

以上就是python中怎么用numpy进行矩阵运算？的详细内容，更多请关注php中文网其它相关文章！