python的Numpy库操作矩阵
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python的Numpy库操作矩阵，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4297字，纯文字阅读大概需要7分钟。
内容图文
一、标量、向量、矩阵、张量
1 import numpy as np
2 #向量、张量、标量、矩阵
3 s = 5;
4 v = np.array([1,2]);
5 m = np.array([[1,2],[3,4]]);
6 t = np.array([[[1,2,3],[4,5,6],[7,8,9]],[[11,12,13],[14,15,16],[17,18,19]],[[21,22,23],[24,25,26],[27,28,29]]]);
7 print("标量"+str(s));
8 print("向量"+str(v));
9 print("矩阵"+str(m));
10 print("张量"+str(t));
二、矩阵转置
1 #矩阵的转置
2 m_t = m.transpose();
3 print("矩阵的转置"+str(m_t));
三、矩阵加法
1 #矩阵的相加
2 m_sum = m + m_t;
3 print("矩阵的相加"+str(m_sum));
四、矩阵乘法
1 #矩阵的乘法
2 m_mutiply = np.dot(m_t,m);#矩阵的乘法
3 m_mutiply = m_t.dot(m);#矩阵乘法
4 m_muti = np.mutiply(m,m_t);#逐元素相乘
5 m_muti1 = m*m_t;#逐元素相乘
6 print("矩阵相乘"+str(m_mutiply));
7 print("逐元素相乘"+str(m_muti)+"第二种"+str(m_muti1));
五、单位矩阵
1 #单位矩阵
2 matrix_danwei = np.identity(3);
3 print("单位矩阵"+str(matrix_danwei));
六、矩阵的逆
1 #矩阵的逆
2 A = [[1,2],[3,4]];
3 A_inv = np.linalg.inv(A);
4 print("A的逆矩阵"+str(A_inv));
七、矩阵范数
#矩阵的范数，机器学习使用的是F范数 arr = np.array([1,3]); arr_two_norm = np.linalg.norm(arr,ord=2);#向量2范数 arr_one_norm = np.linalg.norm(arr,ord=1);#向量1范数 arr_inf_norm = np.linalg.norm(arr,ord=np.inf);#向量无穷范数 arr_matrix = np.array([[1,2],[3,4]]); arr_matrix__frobenius_norm = np.linalg.norm(arr_matrix,ord="fro");#矩阵的F范数
八、特征值分解
1 #特征值分解 2 A_matrix = np.array([[1,2,3],[4,5,6],[7,8,9]]); 3 A_matrix_Eigen = np.linalg.eigvals(A)#计算特征值 4 eigvals,eigvectors = np.linalg.eig(A_matrix); #特征值：eigvals 特征向量：eigvectors
九、奇异值分解
1 #奇异值分解 2 A1_matrix = np.array([[1,2,3],[4,5,6]]); 3 U,D,V = np.linalg.svd(A);#U是左奇异向量 V是右奇异向量 D是对角矩阵，对角元素是A的奇异值
十、PCA降维
1、关于PCA降维，请移步
根据步骤写出PCA，并且保存至pca_file.py文件中
import numpy as np
class PCA():
def __init__(self):#构造函数
pass#只做占位符，不执行任何操作
def fit(X,n_components):
n_samples = np.shape(X)[0] #得到矩阵X的行数
covariance_matrix = (1/(n_samples-1))*(X-X.mean(axis=0)).T.dot(X - X.mean(axis=0))
#对协方差矩阵进行特征值分解
eigenvalues,eigenvectors = np.linalg.eig(covariance_matrix)
#对特征值（特征向量）从大到小排序
idx = eigenvalues.argsort()[::-1]
eigenvalues = eigenvalues[idx][:n_components]
eigenvectors = np.atleast_1d(eigenvectors[:,idx])[:,:n_components]
#得到低维表示
X_transformed = X.dot(eigenvectors)
return X_transformed
2、使用定义的类对鸢尾花（iris）进行PCA降维，关于鸢尾花详细信息，请移步
1 import pandas as pd
2 import numpy as np
3 from sklearn.datasets import load_iris
4 import matplotlib.pyplot as plt
5 from sklearn.preprocessing import StandardScaler
6 import pca_file
7 import xlwt
8
9 #载入iris数据，展示PCA的使用
10 iris = load_iris()
11
12 #将鸢尾花数据记录到本地excel中查看
13 f = xlwt.Workbook() # 创建工作簿
14 sheet1 = f.add_sheet(u'sheet1', cell_overwrite_ok=True) # 创建sheet
15 [h, l] = iris.data.shape # h为行数，l为列数
16 for i in range(h):
17 for j in range(l):
18 sheet1.write(i, j, iris.data[i, j])
19 f.save("C:\\Users\\25626\\Desktop\\PCA\\data.xls")
20 print("花卉类型"+str(iris.target_names)+str(iris.target))
21
22 #将iris数据记录到DataFrame表格
23 df = pd.DataFrame(iris.data,columns = iris.feature_names)
24 print("数据名称"+str(iris.feature_names))
25 df['label'] = iris.target
26 df.columns = ['sepal length','sepal width','petal length','petal width','label']
27 df.label.value_counts()
28 #查看数据
29 df.tail()
30 #查看数据
31 X = df.iloc[:,0:4]
32 y = df.iloc[:,4]
33 print("查看第一个数据：\n",X.iloc[0,0:4])
34 print("查看第一个标签：\n",y.iloc[0])
35
36 #使用PCA降维
37 model = pca_file.PCA
38 Y = model.fit(X,2)
39 principalDf = pd.DataFrame(np.array(Y),columns = ['principal component1','principal component2'])
40 Df = pd.concat([principalDf,y],axis=1)
41
42 #画图显示
43 fig = plt.figure(figsize = (5,5,))
44 ax = fig.add_subplot(1,1,1)
45 ax.set_xlabel('Principal Component 1',fontsize = 15)
46 ax.set_ylabel('Principal Component 2',fontsize = 15)
47 ax.set_title("2 component PCA",fontsize = 20)
48 targets = [0,1,2]
49 colors = ['r','g','b']
50 for target,color in zip(targets,colors):
51 indicesToKeep = Df['label'] == target
52 ax.scatter(Df.loc[indicesToKeep,'principal component1'],Df.loc[indicesToKeep,'principal component2'],c = color,s =50)
53 ax.legend(targets)
54 ax.grid()
55 plt.show()
降维后数据如图所示
内容总结
以上是互联网集市为您收集整理的python的Numpy库操作矩阵全部内容，希望文章能够帮你解决python的Numpy库操作矩阵所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】