伏龙阁资源网

python中numpy的矩阵、多维数组的用法
站长资源 2024/11/26 佚名
2 0

1. 引言

最近在将一个算法由matlab转成python，初学python，很多地方还不熟悉，总体感觉就是上手容易，实际上很优雅地用python还是蛮难的。目前为止，觉得就算法仿真研究而言，还是matlab用得特别舒服，可能是比较熟悉的缘故吧。matlab直接集成了很多算法工具箱，函数查询、调用、变量查询等非常方便，或许以后用久了python也会感觉很好用。与python相比，最喜欢的莫过于可以直接选中某段代码执行了，操作方便，python也可以实现，就是感觉不是很方便。

言归正传，做算法要用到很多的向量和矩阵运算操作，这些嘛在matlab里面已经很熟悉了，但用python的时候需要用一个查一个，挺烦的，所以在此稍作总结，后续使用过程中会根据使用体验更新。

python的矩阵运算主要依赖numpy包，scipy包以numpy为基础，大大扩展了后者的运算能力。

2. 创建一般的多维数组 

import numpy as np

a = np.array([1,2,3], dtype=int) # 创建1*3维数组 array([1,2,3])

type(a) # numpy.ndarray类型

a.shape # 维数信息(3L,)

a.dtype.name # 'int32'

a.size # 元素个数：3

a.itemsize #每个元素所占用的字节数目:4

b=np.array([[1,2,3],[4,5,6]],dtype=int) # 创建2*3维数组 array([[1,2,3],[4,5,6]])

b.shape # 维数信息（2L,3L）

b.size # 元素个数：6

b.itemsize # 每个元素所占用的字节数目:4


c=np.array([[1,2,3],[4,5,6]],dtype='int16') # 创建2*3维数组 array([[1,2,3],[4,5,6]],dtype=int16)

c.shape # 维数信息（2L,3L）

c.size # 元素个数：6

c.itemsize # 每个元素所占用的字节数目:2

c.ndim # 维数

 
d=np.array([[1,2,3],[4,5,6]],dtype=complex) # 复数二维数组

d.itemsize # 每个元素所占用的字节数目：16

d.dtype.name # 元素类型：'complex128'

3. 创建特殊类型的多维数组　

a1 = np.zeros((3,4)) # 创建3*4全零二维数组

输出：

array([[ 0., 0., 0., 0.],

  [ 0., 0., 0., 0.],

  [ 0., 0., 0., 0.]])

a1.dtype.name # 元素类型：'float64'

a1.size # 元素个数：12

a1.itemsize # 每个元素所占用的字节个数：8

 

 

a2 = np.ones((2,3,4), dtype=np.int16) # 创建2*3*4全1三维数组

a2 = np.ones((2,3,4), dtype='int16')  # 创建2*3*4全1三维数组

输出：

array([[[1, 1, 1, 1],

  [1, 1, 1, 1],

  [1, 1, 1, 1]],

 

  [[1, 1, 1, 1],

  [1, 1, 1, 1],

  [1, 1, 1, 1]]], dtype=int16)

 

 

a3 = np.empty((2,3)) # 创建2*3的未初始化二维数组

输出：（may vary）

array([[ 1., 2., 3.],

  [ 4., 5., 6.]])



a4 = np.arange(10,30,5) # 初始值10，结束值：30（不包含），步长：5

输出：array([10, 15, 20, 25])

a5 = np.arange(0,2,0.3) # 初始值0，结束值：2（不包含），步长：0.2

输出：array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])


from numpy import pi

np.linspace(0, 2, 9) # 初始值0，结束值：2（包含），元素个数：9

输出：

array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

x = np.linspace(0, 2*pi, 9)

输出：

array([ 0.  , 0.78539816, 1.57079633, 2.35619449, 3.14159265,

  3.92699082, 4.71238898, 5.49778714, 6.28318531])

a = np.arange(6)

输出：

array([0, 1, 2, 3, 4, 5])

b = np.arange(12).reshape(4,3)

输出：

array([[ 0, 1, 2],

  [ 3, 4, 5],

  [ 6, 7, 8],

  [ 9, 10, 11]])

c = np.arange(24).reshape(2,3,4)

输出：

array([[[ 0, 1, 2, 3],

  [ 4, 5, 6, 7],

  [ 8, 9, 10, 11]],

  [[12, 13, 14, 15],

  [16, 17, 18, 19],

  [20, 21, 22, 23]]])　

使用numpy.set_printoptions可以设置numpy变量的打印格式

在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例

4. 多维数组的基本操作

加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。

a = np.arange(4)

输出：

array([0, 1, 2, 3])

b = a**2

输出：

array([0, 1, 4, 9])

c = 10*np.sin(a)

输出：

 array([ 0.  , 8.41470985, 9.09297427, 1.41120008])

 

 

n < 35

输出：

array([ True, True, True, True], dtype=bool)

 

A = np.array([[1,1],[0,1]])

B = np.array([[2,0],[3,4]])

C = A * B # 元素点乘

输出：

array([[2, 0],

  [0, 4]])

D = A.dot(B) # 矩阵乘法

输出：

array([[5, 4],

  [3, 4]])

E = np.dot(A,B) # 矩阵乘法

输出：

array([[5, 4],

  [3, 4]])

多维数组操作过程中的类型转换

When operating with arrays of different types, the type of the resulting array corresponds to the more general or precise one (a behavior known as upcasting)

即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting

a = np.ones((2,3),dtype=int)  # int32

b = np.random.random((2,3))  # float64

b += a # 正确 

a += b # 错误 

a = np.ones(3,dtype=np.int32)

b = np.linspace(0,pi,3)

c = a + b

d = np.exp(c*1j)

输出：

array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,

  -0.54030231-0.84147098j])

d.dtype.name

输出：

 'complex128'

多维数组的一元操作，如求和、求最小值、最大值等

a = np.random.random((2,3))

a.sum()

a.min()

a.max()

 

 

b = np.arange(12).reshape(3,4)

输出：

array([[ 0, 1, 2, 3],

  [ 4, 5, 6, 7],

  [ 8, 9, 10, 11]])

b.sum(axis=0) # 按列求和

输出：

array([12, 15, 18, 21])

b.sum(axis=1) # 按行求和

输出：

array([ 6, 22, 38])

b.cumsum(axis=0) # 按列进行元素累加

输出：

array([[ 0, 1, 2, 3],

  [ 4, 6, 8, 10],

  [12, 15, 18, 21]])

b.cumsum(axis=1) # 按行进行元素累加

输出：

array([[ 0, 1, 3, 6],

  [ 4, 9, 15, 22],

  [ 8, 17, 27, 38]]) 


universal functions


B = np.arange(3)

np.exp(B)

np.sqrt(B)

C = np.array([2.,-1.,4.])

np.add(B,C)

其他的ufunc函数包括：

all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor,inner, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var,vdot, vectorize, where

5. 数组索引、切片和迭代

a = np.arange(10)**3

a[2]

a[2:5]

a[::-1] # 逆序输出

for i in a:

 print (i**(1/3.)) 


def f(x,y):

 return 10*x+y

b = np.fromfunction(f,(5,4),dtype=int)

b[2,3]

b[0:5,1]

b[:,1]

b[1:3,:]

b[-1] 

c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])

输出：

array([[[ 0, 1, 2],

  [ 10, 11, 12]],

 

  [[100, 101, 102],

  [110, 111, 112]]])

c.shape

输出：

(2L, 2L, 3L)

c[0,...]

c[0,:,:]

输出：

array([[ 0, 1, 2],

  [10, 11, 12]])

c[:,:,2]

c[...,2]

输出：

array([[ 2, 12],

  [102, 112]])

 

for row in c:

 print(row)

 

for element in c.flat:

 print(element) 


a = np.floor(10*np.random.random((3,4)))

输出：

array([[ 3., 9., 8., 4.],

  [ 2., 1., 4., 6.],

  [ 0., 6., 0., 2.]])

a.ravel()

输出：

array([ 3., 9., 8., ..., 6., 0., 2.])

a.reshape(6,2)

输出：

array([[ 3., 9.],

  [ 8., 4.],

  [ 2., 1.],

  [ 4., 6.],

  [ 0., 6.],

  [ 0., 2.]])

a.T

输出：

array([[ 3., 2., 0.],

  [ 9., 1., 6.],

  [ 8., 4., 0.],

  [ 4., 6., 2.]])

a.T.shape

输出：

(4L, 3L)

a.resize((2,6))

输出：

array([[ 3., 9., 8., 4., 2., 1.],

  [ 4., 6., 0., 6., 0., 2.]])

a.shape

输出：

(2L, 6L)

a.reshape(3,-1)

输出：

array([[ 3., 9., 8., 4.],

  [ 2., 1., 4., 6.],

  [ 0., 6., 0., 2.]])

详查以下函数：

ndarray.shape, reshape, resize, ravel

6. 组合不同的多维数组

a = np.floor(10*np.random.random((2,2)))

输出：

array([[ 5., 2.],

  [ 6., 2.]])

b = np.floor(10*np.random.random((2,2)))

输出：

array([[ 0., 2.],

  [ 4., 1.]])

np.vstack((a,b))

输出：

array([[ 5., 2.],

  [ 6., 2.],

  [ 0., 2.],

  [ 4., 1.]])

np.hstack((a,b))

输出：

array([[ 5., 2., 0., 2.],

  [ 6., 2., 4., 1.]])

 

 

from numpy import newaxis

np.column_stack((a,b))

输出：

array([[ 5., 2., 0., 2.],

  [ 6., 2., 4., 1.]])

 

 

a = np.array([4.,2.])

b = np.array([2.,8.])

a[:,newaxis]

输出：

array([[ 4.],

  [ 2.]])

b[:,newaxis]

输出：

array([[ 2.],

  [ 8.]])

np.column_stack((a[:,newaxis],b[:,newaxis]))

输出：

array([[ 4., 2.],

  [ 2., 8.]])

np.vstack((a[:,newaxis],b[:,newaxis]))

输出：

array([[ 4.],

  [ 2.],

  [ 2.],

  [ 8.]])

np.r_[1:4,0,4]

输出：

array([1, 2, 3, 0, 4])

np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]

输出：

array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])

详细使用请查询以下函数：

hstack, vstack, column_stack, concatenate, c_, r_

7. 将较大的多维数组分割成较小的多维数组

a = np.floor(10*np.random.random((2,12)))

输出：

array([[ 9., 7., 9., ..., 3., 2., 4.],

  [ 5., 3., 3., ..., 9., 7., 7.]])

np.hsplit(a,3)

输出：

[array([[ 9., 7., 9., 6.],

  [ 5., 3., 3., 1.]]), array([[ 7., 2., 1., 6.],

  [ 7., 5., 0., 2.]]), array([[ 9., 3., 2., 4.],

  [ 3., 9., 7., 7.]])]

np.hsplit(a,(3,4))

输出：

[array([[ 9., 7., 9.],

  [ 5., 3., 3.]]), array([[ 6.],

  [ 1.]]), array([[ 7., 2., 1., ..., 3., 2., 4.],

  [ 7., 5., 0., ..., 9., 7., 7.]])]

实现类似功能的函数包括：

hsplit,vsplit,array_split

8.  多维数组的复制操作

a = np.arange(12)

输出：

array([ 0, 1, 2, ..., 9, 10, 11])

 

not copy at all

 

b = a

b is a # True

b.shape = 3,4

a.shape # (3L,4L)

 

def f(x) # Python passes mutable objects as references, so function calls make no copy.

 print(id(x)) # id是python对象的唯一标识符

 

id(a) # 111833936L

id(b) # 111833936L

f(a)  # 111833936L

 

 

浅复制
c = a.view()

c is a # False

c.base is a # True

c.flags.owndata # False

c.shape = 2,6

a.shape # (3L,4L)

c[0,4] = 1234

print(a)

输出：

array([[ 0, 1, 2, 3],

  [1234, 5, 6, 7],

  [ 8, 9, 10, 11]])

s = a[:,1:3]

s[:] = 10

print(a)

输出：

array([[ 0, 10, 10, 3],

  [1234, 10, 10, 7],

  [ 8, 10, 10, 11]])

 

 

深复制
d = a.copy()

d is a # False

d.base is a # False

d[0,0] = 9999

print(a)

输出：

array([[ 0, 10, 10, 3],

  [1234, 10, 10, 7],

  [ 8, 10, 10, 11]])

numpy基本函数和方法一览

arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros,zeros_like

Conversions

ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat

Manipulations

array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize,squeeze, swapaxes, take, transpose, vsplit, vstack

Questionsall, any, nonzero, where

Ordering

argmax, argmin, argsort, max, min, ptp, searchsorted, sort

Operations

choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum

Basic Statistics

cov, mean, std, var

Basic Linear Algebra

cross, dot, outer, linalg.svd, vdot

完整的函数和方法一览表链接：

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

9. 特殊的索引技巧

a = np.arange(12)**2
输出：
array([ 0, 1, 4, ..., 81, 100, 121])
i = np.array([1,1,3,8,5])
a[i]
输出：
array([ 1, 1, 9, 64, 25])

j = np.array([[3,4],[9,7]])
a[j]
输出：
array([[ 9, 16],
  [81, 49]])


palette = np.array([[0,0,0],[255,0,0],[0,255,0],[0,0,255],[255,255,255]])
image = np.array([[0,1,2,0],[0,3,4,0]])
palette[image]
输出：
array([[[ 0, 0, 0],
  [255, 0, 0],
  [ 0, 255, 0],
  [ 0, 0, 0]],

  [[ 0, 0, 0],
  [ 0, 0, 255],
  [255, 255, 255],
  [ 0, 0, 0]]])


i = np.array([[0,1],[1,2]])
j = np.array([[2,1],[3,3]])
a[i,j]
输出：
array([[ 2, 5],
  [ 7, 11]])
l = [i,j]
a[l]
输出：
array([[ 2, 5],
  [ 7, 11]])


a[i,2]
输出：
array([[ 2, 6],
  [ 6, 10]])

a[:,j]
输出：
array([[[ 2, 1],
  [ 3, 3]],

  [[ 6, 5],
  [ 7, 7]],

  [[10, 9],
  [11, 11]]])


s = np.array([i,j])
print(s)
array([[[0, 1],
  [1, 2]],

  [[2, 1],
  [3, 3]]])

a[tuple(s)]
输出：
array([[ 2, 5],
  [ 7, 11]])
print(tupe(s))
输出：
(array([[0, 1],
  [1, 2]]), array([[2, 1],
  [3, 3]]))

10. 寻找最大值/最小值及其对应索引值

time = np.linspace(20, 145, 5)
输出：
 array([ 20. , 51.25, 82.5 , 113.75, 145. ])

data = np.sin(np.arange(20)).reshape(5,4)
输出：
array([[ 0.  , 0.84147098, 0.90929743, 0.14112001],
  [-0.7568025 , -0.95892427, -0.2794155 , 0.6569866 ],
  [ 0.98935825, 0.41211849, -0.54402111, -0.99999021],
  [-0.53657292, 0.42016704, 0.99060736, 0.65028784],
  [-0.28790332, -0.96139749, -0.75098725, 0.14987721]])

ind = data.argmax(axis=0)
输出：
array([2, 0, 3, 1], dtype=int64)

time_max = time[ind]
输出：
array([ 82.5 , 20. , 113.75, 51.25])

data_max = data[ind, xrange(data.shape[1])]
输出：
array([ 0.98935825, 0.84147098, 0.99060736, 0.6569866 ])

np.all(data_max == data.max(axis=0))
输出：
True

 

a = np.arange(5)
a[[1,3,4]] = 0
print(a)
输出：
array([0, 0, 2, 0, 0])

a = np.arange(5)
a[[0,0,2]] = [1,2,3]
print(a)
输出：
array([2, 1, 3, 3, 4])


a = np.arange(5)
a[[0,0,2]] += 1
print(a)
输出：
array([1, 1, 3, 3, 4])

a = np.arange(12).reshape(3,4)
 b = a > 4
输出：
array([[False, False, False, False],
  [False, True, True, True],
  [ True, True, True, True]], dtype=bool)

a[b]
输出：
array([ 5, 6, 7, 8, 9, 10, 11])

a[b] = 0
print(a)
输出：
array([[0, 1, 2, 3],
  [4, 0, 0, 0],
  [0, 0, 0, 0]])

a = np.arange(12).reshape(3,4)
b1 = np.array([False,True,True])
b2 = n.array([True,False,True,False])
a[b1,:]
输出：
array([[ 4, 5, 6, 7],
  [ 8, 9, 10, 11]])

a[b1]
输出：
array([[ 4, 5, 6, 7],
  [ 8, 9, 10, 11]])

a[:,b2]
输出：
array([[ 0, 2],
  [ 4, 6],
  [ 8, 10]])

a[b1,b2]
输出：
array([ 4, 10])

11. ix_() function

a = np.array([2,3,4,5])
b = np.array([8,5,4])
c = np.array([5,4,6,8,3])
ax,bx,cx = np.ix_(a,b,c)
print(ax) # (4L, 1L, 1L)
输出：
array([[[2]],

  [[3]],

  [[4]],

  [[5]]])
print(bx) # (1L, 3L, 1L)
输出：
array([[[8],
  [5],
  [4]]])
print(cx) # (1L, 1L, 5L)
输出：
array([[[5, 4, 6, 8, 3]]])


result = ax + bx*cx
输出：
array([[[42, 34, 50, 66, 26],
  [27, 22, 32, 42, 17],
  [22, 18, 26, 34, 14]],

  [[43, 35, 51, 67, 27],
  [28, 23, 33, 43, 18],
  [23, 19, 27, 35, 15]],

  [[44, 36, 52, 68, 28],
  [29, 24, 34, 44, 19],
  [24, 20, 28, 36, 16]],

  [[45, 37, 53, 69, 29],
  [30, 25, 35, 45, 20],
  [25, 21, 29, 37, 17]]])

result[3,2,4]
输出：17

12. 线性代数运算

a = np.array([[1.,2.],[3.,4.]])
a.transpose() # 转置
np.linalg.inv(a) # 求逆
u = np.eye(2) # 产生单位矩阵
np.dot(a,a) # 矩阵乘积
np.trace(a) # 求矩阵的迹
y = np.array([5.],[7.]])
np.linalg.solve(a,y) # 求解线性方程组
np.linalg.eig(a) # 特征分解

“Automatic” Reshaping

a = np.arange(30)
a.shape = 2,-1,3
a.shape # (2L, 5L, 3L)
print(a)
array([[[ 0, 1, 2],
  [ 3, 4, 5],
  [ 6, 7, 8],
  [ 9, 10, 11],
  [12, 13, 14]],

  [[15, 16, 17],
  [18, 19, 20],
  [21, 22, 23],
  [24, 25, 26],
  [27, 28, 29]]])

x = np.arange(0,10,2)
y = np.arange(5)
m = np.vstack([x,y])
输出：
array([[0, 2, 4, 6, 8],
  [0, 1, 2, 3, 4]])
n = np.hstack([x,y])
输出：
array([0, 2, 4, 6, 8, 0, 1, 2, 3, 4])

13. 矩阵的创建

a = np.array([1,2,3])
a1 = np.mat(a)
输出：
matrix([[1, 2, 3]])
type(a1)
输出：
numpy.matrixlib.defmatrix.matrix
a1.shape
输出：
(1L, 3L)
a.shape
输出：
(3L,)

b=np.matrix([1,2,3])
输出：
matrix([[1, 2, 3]])

from numpy import *
data1 = mat(zeros((3,3)))
data2 = mat(ones((2,4)))
data3 = mat(random.rand(2,2))
data4 = mat(random.randint(2,8,size=(2,5)))
data5 = mat(eye(2,2,dtype=int))

14. 常见的矩阵运算

a1 = mat([1,2])
a2 = mat([[1],[2]])
a3 = a1 * a2
print(a3)
输出：
matrix([[5]])

print(a1*2)
输出：
matrix([[2, 4]])

a1 = mat(eye(2,2)*0.5)
print(a1.I)
输出：
matrix([[ 2., 0.],
  [ 0., 2.]])


a1 = mat([[1,2],[2,3],[4,2]])
a1.sum(axis=0)
输出：
matrix([[7, 7]])
a1.sum(axis=1)
输出：
matrix([[3],
  [5],
  [6]])
a1.max() # 求矩阵元素最大值
输出：
4
a1.min() # 求矩阵元素最小值
输出：
1

np.max(a1,0) # 求矩阵每列元素最大值
输出：
matrix([[4, 3]])
np.max(a1,1) # 求矩阵每行元素最大值
输出：
matrix([[2],
  [3],
  [4]])


a = mat(ones((2,2)))
b = mat(eye((2)))
c = hstack((a,b))
输出：
matrix([[ 1., 1., 1., 0.],
  [ 1., 1., 0., 1.]])
d = vstack((a,b))
输出：
matrix([[ 1., 1.],
  [ 1., 1.],
  [ 1., 0.],
  [ 0., 1.]])

15. 矩阵、数组、列表之间的互相转换

aa = [[1,2],[3,4],[5,6]]
bb = array(aa)
cc = mat(bb)

cc.getA() # 矩阵转换为数组
cc.tolist() # 矩阵转换为列表
bb.tolist() # 数组转换为列表


# 当列表为一维时，情况有点特殊
aa = [1,2,3,4]
bb = array(aa)
输出：
array([1, 2, 3, 4])
cc = mat(bb)
输出：
matrix([[1, 2, 3, 4]])

cc.tolist()
输出：
[[1, 2, 3, 4]]

bb.tolist()
输出：
[1, 2, 3, 4]

cc.tolist()[0]
输出：
[1, 2, 3, 4]

内容整理参考链接如下：

https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

http://python.usyiyi.cn/translate/NumPy_v111/reference/arrays.scalars.html#arrays-scalars-built-in

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
www.wwsws.com 伏龙阁资源网
39,976影音资源
44,792技术资源
21,817软件资源
651,128站长资源
一句话新闻
一口气升级7个大模型SaaS应用，百度智能云：突出一个“开箱即用” - 2024/11/26

这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。

一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。

另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。

稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！

昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。

这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。

而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？

更新日志

友情链接

杰晶网络 DDR爱好者之家 桃源资源网 杰网资源 富贵资源网 南强小屋 铁雪资源网 幽灵资源网 万梅资源网 狼山资源网 白云岛资源网 昆仑资源网 相思资源网 明霞山资源网 内蒙古资源网 黑松山资源网 茶园资源网 饿虎岗资源网 大旗谷资源网 常春岛资源网 岱庙资源网 兴国资源网 快活林资源网 蝙蝠岛资源网 帝王谷资源网 白云城资源网 伏龙阁资源网 清风细雨楼 天枫庄资源网 圆月山庄资源网 无争山庄资源网 神水资源网 移花宫资源网 神剑山庄资源网 无为清净楼资源网 金钱帮资源网 丐帮资源网 华山资源网 极乐门资源网 小李飞刀资源网 凤求凰客栈 风云阁资源网 金狮镖局 鸳鸯亭资源网 千金楼资源网 更多链接