import numpy as np
loc = np.array([100., 100.])
vel = np.array([30., 10])
loc += vel
# reseting speed to a default value, maintaining direction
vel.normalize()
vel *= 200
loc += vel
In [1]: import math
In [2]: import numpy as np
In [3]: a = np.array([4,2,7])
In [4]: np.linalg.norm(a)
Out[4]: 8.3066238629180749
In [5]: math.sqrt(sum([n**2 for n in a]))
Out[5]: 8.306623862918075
In [6]: b = a/np.linalg.norm(a)
In [7]: np.linalg.norm(b)
Out[7]: 1.0
你可以使用numpy数组。查看numpy for matlab users页面,了解数组w.r.t.矩阵的优缺点的详细概述。
正如我在评论中提到的,必须使用
dot()
函数或方法对向量进行多重复制是最大的陷阱。但同样,numpy数组是一致的。所有操作都是按元素进行的。所以加或减数组和与标量相乘都是向量的期望值。Edit2:从Python 3.5和numpy 1.10开始,由于pep 465,您可以使用
@
中缀运算符进行矩阵乘法。编辑:关于您的评论:
是的。整个numpy是基于数组的。
是的。
linalg.norm(v)
是获取向量长度的一个好方法。但你能得到什么取决于对norm可能的第二个论点!阅读文档。若要规范化向量,只需将其除以在(2)中计算的长度即可。按标量划分数组也是按元素划分的。
ipython中的一个例子:
注意
In [5]
是计算长度的另一种方法。In [6]
显示正在规范化向量。相关问题 更多 >
编程相关推荐