SciPy的基本功能

默认情况下，所有的NumPy函数都可以通过SciPy命名空间获得。当导入SciPy时，不需要显式导入NumPy函数。NumPy的主要目标是均匀多维数组。它是一个元素表（通常是数字），所有相同类型，由正整数的元组索引。在NumPy中，尺寸被称为轴。轴的数量称为等级。

现在，让我们修改NumPy中的Vectors和Matrices的基本功能。由于SciPy构建在NumPy数组之上，因此需要了解NumPy基础知识。由于线性代数的大多数部分只处理矩阵。

NumPy矢量

Vector可以通过多种方式创建。其中一些描述如下。

让我们考虑下面的例子。

import numpy as np
list = [1,2,3,4]
arr = np.array(list)
print arr

以上程序的输出如下。

[1 2 3 4]

NumPy具有从头开始创建数组的内置函数。其中一些功能解释如下。

零（形状）函数将创建一个用指定形状填充0值的数组。默认的dtype是float64。让我们考虑下面的例子。

import numpy as np
print np.zeros((2, 3))

以上程序的输出如下。

array([[ 0., 0., 0.],
[ 0., 0., 0.]])

这些（形状）函数将创建一个填充1个值的数组。它在所有其他方面与零相同。让我们考虑下面的例子。

import numpy as np
print np.ones((2, 3))

以上程序的输出如下。

array([[ 1., 1., 1.],
[ 1., 1., 1.]])

arange（）函数将创建具有有规律递增值的数组。让我们考虑下面的例子。

import numpy as np
print np.arange(7)

上述程序将生成以下输出。

array([0, 1, 2, 3, 4, 5, 6])

让我们考虑下面的例子。

import numpy as np
arr = np.arange(2, 10, dtype = np.float)
print arr
print "Array Data Type :",arr.dtype

上述程序将生成以下输出。

[ 2. 3. 4. 5. 6. 7. 8. 9.]
Array Data Type : float64

linspace（）函数将创建具有指定数量元素的数组，这些元素将在指定的开始值和结束值之间平均间隔。让我们考虑下面的例子。

import numpy as np
print np.linspace(1., 4., 6)

上述程序将生成以下输出。

array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])

矩阵是一个专门的二维数组，通过操作保留其2-D特性。它有一些特殊的运算符，如*（矩阵乘法）和**（矩阵功率）。让我们考虑下面的例子。

import numpy as np
print np.matrix('1 2; 3 4')

上述程序将生成以下输出。

matrix([[1, 2],
[3, 4]])

此功能返回自我的（复数）共轭转置。让我们考虑下面的例子。

import numpy as np
mat = np.matrix('1 2; 3 4')
print mat.H

上述程序将生成以下输出。

matrix([[1, 3],
        [2, 4]])

此功能返回自我的转置。让我们考虑下面的例子。

import numpy as np
mat = np.matrix('1 2; 3 4')
mat.T

上述程序将生成以下输出。

matrix([[1, 3],
        [2, 4]])

当转置一个矩阵时，我们创建一个新的矩阵，其行是原始的列。另一方面，共轭转置为每个矩阵元素交换行和列索引。矩阵的逆矩阵是一个矩阵，如果与原始矩阵相乘，则产生一个单位矩阵。