实验三 、Numpy数组与矩阵运算

1.完成如下操作

1）a=np.array([[1,2,3],[4,5,6]])（查看数组的维度，数组元素的个数）。

2）将a数组的行变列，返回最后一个元素，返回第2到第4个元素，返回逆序的数组

3）a=np.arange(9).reshape(3,3)

b=np.arange(9).reshape(3,3)

x=np.arange(27).reshape(3,3,3)

将a、b数组水平合并，垂直合并，深度合并

4）将a数组水平拆分，垂直拆分，将x数组深度拆分

# 1.
import numpy as np
a=np.array([[1,2,3],[4,5,6]])#查看数组的维度，数组元素的个数
print("数组的维度:",a.ndim)
print("数组元素的个数:",a.size)
# 2
import numpy as np
a=np.array([[1,2,3],[4,5,6]])
b=a.transpose()
print("a数组的行变列:",b,sep='\n')
a=np.arange(9)
print("a: ",a)
print("最后一个元素:",a[-1:])
print("第2到第4个元素:",a[1:4])
print("逆序的数组:",a[9::-1])
#3.
import numpy as np
a=np.arange(9).reshape(3,3)
b=np.arange(9).reshape(3,3)
print(np.hstack((a,b)))
print(np.vstack((a,b)))
#4
import numpy as np
a=np.arange(9).reshape(3,3)
print("a: ",a)
print("水平拆分:")
print(np.hsplit(a,3))
print("垂直拆分:")
print(np.vsplit(a,3))
x=np.arange(27).reshape(3,3,3)
print("x: ",x)
print("深度拆分:")
print(np.dsplit(x,3))

2

利用Numpy产生正态分布图

import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot as plt


sampleNo = 1000;

# 一维正态分布, 下面三种方式是等效的

mu = 3

sigma = 0.1

np.random.seed(0)

s = np.random.normal(mu, sigma, sampleNo )

plt.subplot(141)

plt.hist(s, 30, density=True)

np.random.seed(0)

s = sigma * np.random.randn(sampleNo ) + mu

plt.subplot(142)

plt.hist(s, 30, density=True)

np.random.seed(0)

s = sigma * np.random.standard_normal(sampleNo ) + mu

plt.subplot(143)

plt.hist(s, 30, density=True)

# 二维正态分布

mu = np.array([[1, 5]])

Sigma = np.array([[1, 0.5], [1.5, 3]])

R = cholesky(Sigma)

s = np.dot(np.random.randn(sampleNo, 2), R) + mu

plt.subplot(144)

# 注意绘制的是散点图，而不是直方图

plt.plot(s[:,0],s[:,1],'+')

plt.show()

3已知矩阵[[-1,1,0],[-4,3,0],[1,0,2]]，求矩阵的特征向量、特征值、矩阵的逆。

import numpy as np

A = np.array([[-1,1,0],[-4,3,0],[1,0,2]])
e, v = np.linalg.eig(A)
print(e, v,sep='\n')

x=np.matrix([[-1,1,0],[-4,3,0],[1,0,2]])
y=np.linalg.inv(x)
print(y)

4

x1=np.array([1,5,6,3,-1])

x2=np.arange(12).reshape(3,4)

利用Numpy求向量和矩阵的1，2范数，并说明其含义

import numpy as np

x1=np.array([1,5,6,3,-1])
x3=np.matrix(x1)
print(np.linalg.norm(x3,1),np.linalg.norm(x3));

x2=np.arange(12).reshape(3,4)
x4=np.matrix(x2)
print(np.linalg.norm(x4,1),np.linalg.norm(x4))

5.求解矩阵np.matrix([[1,2,3], [4,5,6], [7,8,9]])的奇异值分解结果。

import numpy as np

a=np.matrix([[1,2,3], [4,5,6], [7,8,9]])
u,s,v=np.linalg.svd(a)
print(u,s,v)

6

应用题，运行并理解下面程序，将运行结果截图上传。

SVD用于图像压缩

我们有多少次遇到过这个问题？我们喜欢用我们的智能手机浏览图像，并随机将照片保存。然后突然有一天 ，提示手机没有空间了！而图像压缩有助于解决这一问题。

它将图像的大小(以字节为单位)最小化到可接受的质量水平。这意味着你可以在相同磁盘空间中存储更多图像。

图片压缩利用了在SVD之后仅获得的一些奇异值很大的原理。你可以根据前几个奇异值修剪三个矩阵，并获得原始图像的压缩近似值，人眼无法区分一些压缩图像。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import cv2

 

# 灰度化读取图片

img = cv2.imread('beach-2179624_960_720.jpg', 0)

 

# 得到svd

U, S, V = np.linalg.svd(img)

 

# 得到矩阵的形状

print(U.shape, S.shape, V.shape)

 

# 以不同component数绘制图像

comps = [638, 500, 400, 300, 200, 100]

 

plt.figure(figsize = (16, 8))

for i in range(6):

  low_rank = U[:, :comps[i]] @ np.diag(S[:comps[i]]) @ V[:comps[i], :]

  if(i  == 0):

     plt.subplot(2, 3, i+1), plt.imshow(low_rank, cmap = 'gray'), plt.axis('off'), plt.title("Original Image with n_components =" + str(comps[i]))

  else:

     plt.subplot(2, 3, i+1), plt.imshow(low_rank, cmap = 'gray'), plt.axis('off'), plt.title("n_components =" + str(comps[i]))

plt.savefig('svd.jpg')

plt.show()