有點抱歉的是我的數學功底確實是不好，經過了高中的緊張到了大學之後鬆散了下來。原本高中就有點拖後腿的數學到了大學之後更是一落千丈。線性代數直接沒有學明白，同樣沒有學明白的還有概率及統計以及復變函式。時至今日，我依然覺得這是人生中讓人羞愧的一件事兒。不過，好在我還有機會，為了不敷衍而去學習一下。
矩陣的轉置有什麼作用，我真是不知道了，今天總結完矩陣轉置的操作之後先去網路上補充一下相關的知識。
今天的**操作如下：
in [15]: arr1 = np.arange(20)
in [16]: arr1
out[16]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19])
in [17]: arr2 = arr1.reshape((4,5))
in [18]: arr2
out[18]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
in [19]: arr3 = arr2.t
in [20]: arr3
out[20]:
array([[ 0, 5, 10, 15],
[ 1, 6, 11, 16],
[ 2, 7, 12, 17],
[ 3, 8, 13, 18],
[ 4, 9, 14, 19]])
in [21]: np.dot(arr3,arr2)
out[21]:
array([[350, 380, 410, 440, 470],
[380, 414, 448, 482, 516],
[410, 448, 486, 524, 562],
[440, 482, 524, 566, 608],
[470, 516, 562, 608, 654]])
reshape的方法是用來改變陣列的維度，而t的屬性則是實現矩陣的轉置。從計算的結果看，矩陣的轉置實際上是實現了矩陣的對軸轉換。而矩陣轉置常用的地方適用於計算矩陣的內積。而關於這個算數運算的意義，我也已經不明確了，這也算是今天補課的內容吧！
關於前面的兩個補課，看了一堆資料確實是不好理解。但是總是記憶公式終歸不是我想要的結果，以後還需要不斷地嘗試理解。不過，關於內積倒是查到了乙個幾何解釋，而且不知道其對不對。解釋為：高維空間的向量到低維子空間的投影，但是思索了好久依然是沒有弄明白。看來，線性代數還是得悶頭好好理解一下咯。
Numpy陣列轉置
numpy陣列轉置很容易，兩種種寫法 np array np.array 1,2 3,4 np array.transpose np.transpose np array 但是一維陣列轉置的時候有個坑，光transpose沒有用，需要指定shape引數 array 1d np.array 1,2 p...
python 學習筆記 numpy陣列轉置
關於陣列的轉置，numpy提供了transpose函式和.t屬性兩種實現形式，一般transpose使用起來更為方便，另外轉換其中的兩個軸還可以用swapreaxes,下面通過例子來做介紹。一維陣列轉置 arr np.arange 6 print arr 0,1,2,3,4,5 print np.t...
Numpy陣列轉置的兩種實現方法
numpy陣列轉置很容易，兩種寫法 np array np.array 1,2 3,4 np array.transpose np.transpose np array 但是一維陣列轉置的時候有個坑，光transpose沒有用，需要指定shape引數 array 1d np.array 1,2 pr...