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 npA = np.array([[3, 6, 7], [5, -3, 0]])B = np.array([[1, 1], [2, 1], [3, -3]])C = A.dot(B)print(C)
文章插图
矩阵转置
使用numpy.transpose计算矩阵的转置 。
import numpy as npA = np.array([[1, 1], [2, 1], [3, -3]])print(A.transpose())采集失败，请手动处理https://p26-sign.toutiaoimg.com/pgc-image/5308ca6888b54a43af37451348c5c0f6~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=YVRMIgVtepMnK5ucxRPa%2F8Sb3D8%3D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 elementprint("A[2] =", A[2])# Third element print("A[-1] =", A[-1])# Last element运行该程序时 ， 输出为：
文章插图
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 npA = 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：采集失败，请手动处理https://p3-sign.toutiaoimg.com/pgc-image/115fac88457b451e97827b58bd0e75b6~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=tTKO%2BV5Z0PTv0UmCwM7ZEPLpqvg%3D
2. 访问矩阵的行
import numpy as npA = 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：
文章插图
3. 访问矩阵的列
import numpy as npA = 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：采集失败，请手动处理https://p3-sign.toutiaoimg.com/pgc-image/64eeee937a2c49adbbbfc6434c670d58~tplv-tt-origin-asy2:5aS05p2hQFB5dGhvbui_m-mYtuWtpuS5oOS6pOa1gQ==.image?_iz=58558&from=article.pc_detail&x-expires=1698369411&x-signature=puO%2BTBZ4KcLLQXsX%2BU%2Fs%2BF9XQz0%3D
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 。
以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!
「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：