python列表实现矩阵行列转换

本文采用列表嵌套实现矩阵的行列转换。

第一种方法(此方法来源于https://docs.python.org/zh-cn/3/tutorial/datastructures.html#list-comprehensions

复制代码
matrix = [
    [1, 2, 3, 4],    [5, 6, 7, 8],    [9, 10, 11, 12],
]
print(
    [[row[i] for row in matrix] for i in range(4)]
)

第二种方法,使用for循环实现。

初始代码如下:

复制代码
matrix = [
    [1, 2, 3, 4],    [5, 6, 7, 8],    [9, 10, 11, 12],
]
# print(
#     [[row[i] for row in matrix] for i in range(4)]
# )
result = []
result_1 = []
for y in range(len(matrix[0])):
    for x in range(len(matrix)):
        result_1.append(matrix[x][y])
    result_1=list(result_1)
    print('result_1',result_1)
    print('len(result)',len(result))
    result.append(result_1)
    result_1[:]=[]
    print('result',result)

运行程序,发现第一层外循环结束后,result的元素不对(如下

复制代码
result_1 [1, 5, 9]
len(result) 0
result [[]]         #第一层外循环结束后的结果
result_1 [2, 6, 10]
len(result) 1
result [[2, 6, 10], []]
result_1 [3, 7, 11]
len(result) 2
result [[2, 6, 10], [3, 7, 11], []]
result_1 [4, 8, 12]
len(result) 3
result [[2, 6, 10], [3, 7, 11], [4, 8, 12], []]

然后将问题发给CHATGPT4-MINI,得到的结果如下:

按照提示,调整代码。调整滞后的代码如下:

复制代码
result = []
for y in range(len(matrix[0])):
    result_1 = []                  #代码修改点
    for x in range(len(matrix)):
        result_1.append(matrix[x][y])
    result_1=list(result_1)
    print('result_1',result_1)
    print('len(result)',len(result))
    result.append(result_1)
    # result_1[:]=[]              #代码修改点
    print('result',result)

运行结果

输出结果符合预期。

总结:多层循环的时候,一定要注意全局变量和局部变量的赋值、还原。

PS:GPT很强大,可以好好利用它帮助我们提高学习效率。

相关推荐
CIO_Alliance11 小时前
AI基础系列(1)| 向量、矩阵、张量在AI中分别扮演什么角色?
大数据·人工智能·线性代数·ai·矩阵·企业cio联盟·企业级ai化转型
欧特克_Glodon11 小时前
OpenCV计算机视觉开发入门与实践<十一>:矩阵的复制和矩形类Rect
c++·opencv·计算机视觉·矩阵
ccLianLian14 小时前
数理基础·高等数学摘要
线性代数·概率论
ssl_xxy16 小时前
矩阵杂题第三弹
线性代数·矩阵
铅笔侠_小龙虾2 天前
深度学习阶段总结(2)--矩阵
深度学习·矩阵
Nil2082 天前
leetcode 54螺旋矩阵
算法·leetcode·矩阵
Nil2083 天前
leetcode 73矩阵置0
算法·leetcode·矩阵
Uncommon.3 天前
线性代数与向量
pytorch·python·线性代数·机器学习
知识分享小能手4 天前
线性代数学习教程,从入门到精通,相似矩阵及二次型 — 知识点详解(9)
学习·线性代数·机器学习
BizObserver4 天前
2026企业GEO内容矩阵搭建指南:从关键词意图到AI友好型内容的完整框架
大数据·人工智能·矩阵