【NumPy】NumPy实战入门：线性代数（dot、linalg）与随机数（numpy.random）详解

🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式+人工智能领域，具备多年的嵌入式硬件产品研发管理经验。

📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向的学习指导、简历面试辅导、技术架构设计优化、开发外包等服务，有需要可加文末联系方式联系。

💬 博主粉丝群介绍：① 群内高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

NumPy实战入门：线性代数（dot、linalg）与随机数（numpy.random）详解

• 1. 前言
• 2. NumPy库简介
• 3. 线性代数模块
• • 3.1 numpy.dot — 矩阵乘法
  • 3.2 numpy.linalg — 矩阵分解
  • 4. 随机数模块
  • • 4.1 numpy.random.uniform—均匀分布
    • 4.2 numpy.random.normal—正态分布
    • 4.3 numpy.random.choice—随机抽样
    • 4.4 numpy.random.shuffle—洗牌
    • 5. 总结

      

      1. 前言

      NumPy，全称为Numerical Python，是Python语言中最核心的科学计算包，它为大型多维数组和矩阵提供了高效的数据结构，以及大量的数学函数来操作这些数组。本文将深入探讨NumPy中的线性代数模块和随机数生成模块，通过示例代码展示其强大功能，并在最后进行总结。

      2. NumPy库简介

      NumPy的核心是其N维数组对象ndarray，它允许对元素进行矢量化运算，大大提高了计算效率。此外，NumPy还提供了广泛的数学函数，这些函数可以直接应用于数组上的每个元素，无需循环。这使得NumPy成为数据分析、机器学习、图像处理等领域不可或缺的工具。

      3. 线性代数模块

      3.1 numpy.dot — 矩阵乘法

      numpy.dot函数用于计算两个数组的点积或矩阵乘法。当输入是一维数组时，它计算的是内积；对于二维数组（矩阵），则是标准的矩阵乘法。

      示例代码：

      import numpy as np
      # 定义两个矩阵
      A = np.array([[1, 2], [3, 4]])
      B = np.array([[5, 6], [7, 8]])
      # 计算矩阵乘积
      C = np.dot(A, B)
      print("矩阵乘积 C:\n", C)
      

      3.2 numpy.linalg — 矩阵分解

      numpy.linalg子模块提供了各种矩阵分解方法，如求逆、特征值、奇异值分解等。

      示例代码：

      import numpy as np
      # 定义一个矩阵
      A = np.array([[1, 2], [3, 4]])
      # 计算矩阵的逆
      A_inv = np.linalg.inv(A)
      print("矩阵 A 的逆:\n", A_inv)
      # 计算矩阵的特征值
      eigenvalues, eigenvectors = np.linalg.eig(A)
      print("矩阵 A 的特征值:\n", eigenvalues)
      

      4. 随机数模块

      numpy.random模块提供了丰富的随机数生成功能，支持多种概率分布。

      4.1 numpy.random.uniform—均匀分布

      使用numpy.random.uniform可以生成指定范围内的均匀分布随机数。

      示例代码：

      import numpy as np
      # 生成10个[0, 1)区间内的均匀分布随机数
      uniform_numbers = np.random.uniform(size=10)
      print("均匀分布随机数:\n", uniform_numbers)
      

      4.2 numpy.random.normal—正态分布

      numpy.random.normal用于生成正态分布（高斯分布）的随机数。

      示例代码：

      import numpy as np
      # 生成10个均值为0，标准差为1的正态分布随机数
      normal_numbers = np.random.normal(loc=0, scale=1, size=10)
      print("正态分布随机数:\n", normal_numbers)
      

      4.3 numpy.random.choice—随机抽样

      numpy.random.choice用于从给定的一维数组中随机抽取样本。

      示例代码：

      import numpy as np
      # 从数组[0, 1, ..., 9]中无放回抽取3个样本
      samples = np.random.choice(10, size=3, replace=False)
      print("随机抽样结果:\n", samples)
      

      4.4 numpy.random.shuffle—洗牌

      numpy.random.shuffle用于打乱数组顺序。

      示例代码：

      import numpy as np
      # 创建一个数组并进行洗牌
      array = np.arange(10)
      np.random.shuffle(array)
      print("洗牌后的数组:\n", array)
      

      5. 总结

      NumPy的线性代数和随机数生成功能极大地扩展了Python在科学计算和数据处理方面的应用范围。通过高效的矩阵运算和灵活的随机数生成器，开发者能够轻松实现复杂的数据分析和模型构建。无论是进行大规模数据的统计分析，还是构建机器学习算法的基础，NumPy都扮演着至关重要的角色。掌握这些核心功能，将使你的Python编程之旅更加丰富多彩。