class="markdown_views prism-atom-one-light"> 学生时代玩矩阵最爽的工具自然是matlab了。而且matlab天生就是为科学计算，为矩阵而生。matlab的一切对象皆可看成矩阵，最简单的一个整数，也是个1*1的矩阵。但是在公司里面以后，matlab就玩不转了。道理很简单，matlab虽然好用，但是正版软件非常贵。而且，matlab是闭源，跟现在开源的潮流也有些不大符合。。。
那在公司里面，怎么玩科学计算，怎么玩矩阵呢。其实很简单，涉及到数据处理的活，用python嘛。具体到矩阵计算，有大名鼎鼎的numpy模块。在python中，numpy是科学计算的基石，其他的高阶模块，如scipy，sklearn都建立在numpy的基础上。博主玩numpy的时间也不短了，抽空把numpy的一些基本用法给稍微总结一下，供有需要的同学参考。。 numpy大体上与matlab的使用方式很像。如果玩过matlab的同学们看numpy，那简直就是一样一样的。如果让我说numpy跟matlab的最大不同，那就是numpy的组织方式是以数组或多维数组为单位（当然numpy里也有矩阵），而matlab里的一切都是矩阵。。。 啥也不说先，先上代码，给大家一个大概的印象

1.最简单的构造矩阵的方法

import numpy as np def array_test(): print "The version is:", np.version.version," " a = np.array([1,2,3]) print "a is:",a print "type(a) is:",type(a)," " b = np.array([[1,2],[3,4]]) print "b is:" print b print "type(b) is:",type(b)," " c = np.array([1,2,3],dtype = float) print "c is:",c array_test() 代码运行结果： The version is: 1.8.0 a is: [1 2 3] type(a) is: <type 'numpy.ndarray'> b is: [[1 2] [3 4]] type(b) is: <type 'numpy.ndarray'> c is: [ 1. 2. 3.] 我的numpy版本是1.8.0。a是一个一维数组，b是一个二维数组，而c，则用dtype参数指定了数据类型为float。 再尝试用其他的方式生成数组对象

2.用其他方法构造矩阵

def other_pro_method(): print np.linspace(1,2,11) print print np.arange(15).reshape(5,3) array_test() 代码运行结果 [ 1. 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2. ] [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11] [12 13 14]] 怎么样同学们，是不是好熟悉的样子，是不是跟matlab里很像
再来几个特殊矩阵

3.构造特殊矩阵

def special_matrix(): a = np.zeros((2,2)) print "type a is:",type(a) print a," " b = np.ones((2,2)) print "type b is:",type(b) print b," " c = np.eye(2,dtype=int) print "type c is:",type(c) print c," " special_matrix() 运行结果如下： type a is: <type 'numpy.ndarray'> [[ 0. 0.] [ 0. 0.]] type b is: <type 'numpy.ndarray'> [[ 1. 1.] [ 1. 1.]] type c is: <type 'numpy.ndarray'> [[1 0] [0 1]] 如果我没有记错的话，matlab里也有这几个方法构造特殊矩阵。顾名思义，zeros(m,n)构造的是全0矩阵，ones(m,n)构造的是全1矩阵，而eys(n)构造的是单位阵。。。

4.矩阵求行列式，求逆，求特征值与特征向量

代码如下 import numpy as np def get_some_trait(): mat = np.array([[1,2],[3,4]]) det = np.linalg.det(mat) print "the det of mat is:",det," " inv_mat = np.linalg.inv(mat) print "the inv_mat is:" print inv_mat," " eig1,eig2 = np.linalg.eig(mat) print "the eig of mat is:",eig1," " print "the feature vector of mat is:" print eig2 get_some_trait() 运行结果如下 the det of mat is: -2.0 the inv_mat is: [[-2. 1. ] [ 1.5 -0.5]] the eig of mat is: [-0.37228132 5.37228132] the feature vector of mat is: [[-0.82456484 -0.41597356] [ 0.56576746 -0.90937671]] 需要注意的是，eig方法返回的是一个元祖，包含有特征值与特征向量。所以童鞋们在使用的时候稍微注意即可。