四、矩阵运算

两个矩阵相加，两个矩阵相乘以及一个矩阵转置。在编写这些程序之前，使用了嵌套列表。让看看如何使用NumPy数组完成相同的任务。

两种矩阵的加法

使用＋运算符将两个NumPy矩阵的对应元素相加。

import numpy as np
A ＝ np．array（［［2， 4］， ［5， －6］］）B ＝ np．array（［［9， －3］， ［3， 6］］）C ＝ A ＋ B      ＃ 元素聪明的加法print（C）

两个矩阵相乘

为了将两个矩阵相乘，使用dot（）方法。

注意：用于数组乘法（两个数组的对应元素的乘法），而不是矩阵乘法。

import numpy as np
A ＝ np．array（［［3， 6， 7］， ［5， －3， 0］］）B ＝ np．array（［［1， 1］， ［2， 1］， ［3， －3］］）C ＝ A．dot（B）print（C）

矩阵转置

使用numpy．transpose计算矩阵的转置。

import numpy as np
A ＝ np．array（［［1， 1］， ［2， 1］， ［3， －3］］）print（A．transpose（））

注：

NumPy使的任务更加轻松。

五、案例

1． 访问矩阵元素

与列表类似，可以使用索引访问矩阵元素。让从一维NumPy数组开始。

import numpy as npA ＝ np．array（［2， 4， 6， 8， 10］）
print（＂A［0］ ＝＂， A［0］）     ＃ First element     print（＂A［2］ ＝＂， A［2］）     ＃ Third element print（＂A［－1］ ＝＂， A［－1］）   ＃ Last element

运行该程序时，输出为：

现在，让看看如何访问二维数组（基本上是矩阵）的元素。

import numpy as np
A ＝ np．array（［［1， 4， 5， 12］，    ［－5， 8， 9， 0］，    ［－6， 7， 11， 19］］）
＃  First element of first rowprint（＂A［0］［0］ ＝＂， A［0］［0］）  
＃ Third element of second rowprint（＂A［1］［2］ ＝＂， A［1］［2］）
＃ Last element of last rowprint（＂A［－1］［－1］ ＝＂， A［－1］［－1］）

当运行程序时，输出将是：

2． 访问矩阵的行
import numpy as np
A ＝ np．array（［［1， 4， 5， 12］，     ［－5， 8， 9， 0］，    ［－6， 7， 11， 19］］）
print（＂A［0］ ＝＂， A［0］） ＃ First Rowprint（＂A［2］ ＝＂， A［2］） ＃ Third Rowprint（＂A［－1］ ＝＂， A［－1］） ＃ Last Row （3rd row in this case）

当运行程序时，输出将是：

3． 访问矩阵的列
import numpy as np
A ＝ np．array（［［1， 4， 5， 12］，     ［－5， 8， 9， 0］，    ［－6， 7， 11， 19］］）
print（＂A［：，0］ ＝＂，A［：，0］） ＃ First Columnprint（＂A［：，3］ ＝＂， A［：，3］） ＃ Fourth Columnprint（＂A［：，－1］ ＝＂， A［：，－1］） ＃ Last Column （4th column in this case）

当运行程序时，输出将是：

注：

使用NumPy（而不是嵌套列表）可以更轻松地处理矩阵，而且甚至都没有涉及基础知识。建议详细研究NumPy软件包，尤其是当尝试将Python用于数据科学／分析时。

六、总结

本文基于Python基础，介绍了矩阵和NumPy数组，重点介绍了NumPy数组，如何去安装NumPy模块，如何去创建一个NumPy数组的两种方式。

通过案例的分析，代码的演示，运行效果图的展示，使用Python语言，能够让读者更好的理解。

读者可以根据文章内容，自己实现。有时候看到别人实现起来很简单，但是到自己动手实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

代码很简单，希望对你学习有帮助。