高级编程技术 第十三周作业

本周需要学习如何使用scipy。scipy中包含了许多跟numpy一样的函数，因此使用起来会有许多相似之处。

Exercise 10.1: Least squares

生成一个m行n列的矩阵，并要求m>n。同时生成一个m维向量。

求解x = arg minx ||Ax - b||2.

该题可以使用lstsq来求解，scipy.linalg.lstsq使用参数跟numpy.linalg.lstsq一致。

import numpy
import numpy.matlib
import scipy.linalg

m = 5
n = 3
A = numpy.matlib.rand((m, n))
b = numpy.matlib.rand((m, 1))
x = scipy.linalg.lstsq(A, b)[0]
print("A")
print(A)
print("b")
print(b)
print("x")
print(x)

结果如下

A
[[0.92962385 0.05363313 0.50548348]
 [0.95964889 0.56054093 0.58568573]
 [0.32413643 0.20750581 0.26737541]
 [0.77044965 0.53036492 0.04242422]
 [0.30828577 0.24769184 0.88993455]]
b
[[0.7871204 ]
 [0.87042653]
 [0.7409384 ]
 [0.490697  ]
 [0.87699647]]
x
[[0.3817007 ]
 [0.28595985]
 [0.80332776]]

Exercise 10.2: Optimization

寻找函数f(x) = sin^2(x - 2)e^-x2的最大值。

scipy.optimize.minimize可以求解出某个函数的最小值，然而本题需要求解的是最大值，因此需要将其取反，此时最小值就是原函数的最大值了。并且该方法需要使用一个可调用函数来作为参数，一般情况下函数需要使用def来定义，然而也可以使用lambda来实现matlab中的@(x)f(x)一样的匿名函数。

import math
import scipy.optimize

f = lambda x: - pow(math.sin(x - 2), 2) * math.exp(-pow(x, 2))
y = scipy.optimize.minimize(f, 0)
print(y)

结果如下

      fun: -0.9116854118471545
 hess_inv: array([[0.2680098]])
      jac: array([-1.49011612e-08])
  message: 'Optimization terminated successfully.'
     nfev: 18
      nit: 4
     njev: 6
   status: 0
  success: True
        x: array([0.21624132])

由于我们对函数进行了取反，因此fun显示的最小值取反后为原函数的最大值。

可以看到，当x=0.21624132时，f取最大值，为0.9116854118471545。

Exercise 10.3: Pairwise distances

生成一个n行m列的矩阵，计算每两行之间的距离。

给出一个应用例子就是，由n座城市，用两列的方式给定他们的坐标，使用一个表格来记录每两座城市之间的距离。

计算距离通常使用几何距离，也就是欧几里得距离。

import numpy
import numpy.matlib
import scipy.spatial.distance

n = 5
m = 6
X = numpy.matlib.rand((n, m))
dist = numpy.zeros((n, n))
for i in range(0, n):
    for j in range(0, n):
        dist[i][j] = scipy.spatial.distance.euclidean(X[i], X[j])
print("X")
print(X)
print("")
print("dist")
print(dist)

结果如下

X
[[0.20273567 0.25231566 0.44017816 0.70797027 0.1422286  0.42647038]
 [0.1075678  0.498664   0.14429584 0.76133804 0.48465502 0.37378304]
 [0.40225683 0.97926513 0.68925144 0.85595932 0.10464522 0.44246778]
 [0.29966126 0.54135749 0.66086263 0.78189069 0.07700883 0.78110347]
 [0.7007273  0.4551945  0.69823013 0.48250564 0.27664712 0.14748214]]

dist
[[0.         0.52931154 0.80862285 0.52642555 0.70886063]
 [0.52931154 0.         0.87913248 0.79879386 0.91257761]
 [0.80862285 0.87913248 0.         0.56922661 0.78732718]
 [0.52642555 0.79879386 0.56922661 0.         0.83704073]
 [0.70886063 0.91257761 0.78732718 0.83704073 0.        ]]