python实战应用讲解-【numpy专题篇】常见问题解惑（六）（附python示例代码）

最新推荐文章于 2024-09-09 00:00:00 发布
最新推荐文章于 2024-09-09 00:00:00 发布
阅读量68 收藏
点赞数
分类专栏： 【python实战应用】从原理到实战案例精讲100篇 文章标签： numpy python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/getusushu/article/details/129646354
版权
本文深入探讨了使用Python的NumPy库进行矩阵反转和数组标准化的方法，包括一维和二维数组的规范化，以及如何进行Breusch-Pagan测试以检查异方差性。还介绍了如何在Python中解决异方差问题和执行重复测量的方差分析。
摘要由CSDN通过智能技术生成

目录

如何用NumPy来反转矩阵

如何在Python的NumPy中对数组进行标准化

一维阵列的规范化

二维阵列的归一化

如何在Python中进行Breusch-Pagan测试

进行Breusch-Pegan测试

如何解决异方差问题：

如何在Python中进行重复测量的方差分析

假设:

在Python中进行重复测量方差分析

如何用NumPy来反转矩阵

矩阵的逆数只是矩阵的倒数，就像我们在正常的算术中对一个数字所做的那样，用来解方程以寻找未知变量的值。矩阵的逆数是指与原矩阵相乘后会得到一个相同的矩阵。 矩阵的逆数只有在矩阵为非星形时才存在，即行列式不应该为0。利用行列式和邻接式，我们可以用下面的公式轻松地找到一个正方形矩阵的逆。

if det(A) != 0
    A-1 = adj(A)/det(A)
else
    "Inverse doesn't exist"

矩阵方程

其中,

A -1 : 矩阵A的倒数

x: 未知变量列

B: 解决方案矩阵

使用NumPy对矩阵进行反转

Python提供了一个非常简单的方法来计算矩阵的逆值。python NumPy模块中的函数numpy.linalg.inv()可以用来计算矩阵的逆值。

语法：


                

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  格图素书
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    0
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（一）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-19
					
					360
					
				

			

		

		

			
				
另一种方法是使用row_stack()或column_stack()函数来解决这个错误，如果两个数组的列尺寸相同，那么可以使用row_stack()函数，如果一个数组的列尺寸和第二个数组的行尺寸相同，那么可以使用column_stack()函数来解决这个错误，数组将相应地被堆叠到另一个数组中。当你的环境中没有NumPy库，即NumPy模块没有安装，或者由于某种中断，某些部分的安装不完整，就会出现 “没有名为numpy的模块 “的错误。在输出中，np_array1被附加或堆叠在数组np_array2的顶部。

			
		

	



                

              
                



	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（三）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-20
					
					123
					
				

			

		

		

			
				
要找到任何一个数字列的平均值，如Marks，它会抛出TypeError，因为它不知道当不是所有的值都是数字时如何取平均值（如Student Name, Branch由字符串类型的数据组成）。就像正态分布是大量独立和相同分布的随机变量相加的表现，对数正态是大量独立和相同分布的随机变量相乘的结果。在上面的例子中，如果没有指定列名，数据框架的平均值将为所有数字类型的列生成–student_ID和Marks列是浮动类型的。在概率论中，一个对数通常分布的随机变量的连续概率分布被称为对数正态（或对数正态）分布。

			
		

	



                


  
              

                


	

		

			

				
					
python无效数据怎么办,如何在Python中按天汇总时间序列数据？ resample.sum（）无效...

				
			

			

				

					weixin_39676021的博客
				

				

					12-04
					
					362
					
				

			

		

		

			
				
I am new to Python. How do I sum data based on date and plot the result?I have a Series object with data like:2017-11-03 07:30:00      NaN2017-11-03 09:18:00      NaN2017-11-03 10:00:00      NaN2017-1...

			
		

	





	

		

			

				
					
pandas基础属性方法随机整理（五）---时间序列 resample方法

				
			

			

				

					酱紫煲饭~
				

				

					06-20
					
					6861
					
				

			

		

		

			
				
重采样及频率转换： 
resample方法： 各种频率转换工作的主力函数



data.iloc[:,0:5].head()
Out[218]: 
              RPT    VAL    ROS    KIL    SHA
DATE                                         
1961-01-01  15.04  14.96  13.17  ...

			
		

	



		

			
		



	

		

			

				
					
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.al

				
			

			

				

					qq_951274168的博客
				

				

					11-30
					
					607
					
				

			

		

		

			
				
for i in range(height): #行
    for j in range(width): #列
        if img[i,j].any() == [0,0,0]:
            img[i,j] = [255,255,255]

错误
    if img[i,j].any() == [0,0,0]:
ValueError: The truth value of an array with more than one element is ambiguous. Use a

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（九）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-21
					
					80
					
				

			

		

		

			
				
稀疏矩阵的维数可以通过以下方式降低：首先将密集矩阵表示为压缩稀疏行表示，其中稀疏矩阵使用三个一维数组来表示非零值、行的外延和列的索引。在这种情况下，我们不能有一个大维度的矩阵，因为它会增加问题的时间和空间复杂性，所以建议降低稀疏矩阵的维度。我们指定矩阵的行和列的开始和结束索引。在多波段图像的情况下，我们通常不希望沿Z轴插值来创建添加到图像中的新波段，因此我们应该为缩放系数参数传递一个序列而不是一个单一的数字。数组是一组类似的元素组合在一起形成的单一实体，也就是说，它基本上是整数、浮点数、字符等的集合。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（二）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-20
					
					105
					
				

			

		

		

			
				
当我们执行一些复杂的数学运算，需要一个非常大的数字或不同的小数字时，一些库不能处理这样的大数字，所以它抛出一个错误。它实际上是NumPy的一个方法，而不是它的数组，让我们通过下面的例子来理解它，我们实际上是在一个numpy列表上执行append操作。由于数组中的索引从0开始，这里在数字数组中，第0个索引由值0组成，第1个索引有值1，第2个索引有值2，第3个索引有值9，这是指定的，所以它返回一个包含值3的数组。由于元素0在数组中出现了2次，分别为0和5的索引，所以它返回一个由元素0的2个索引值组成的数组。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（四）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-21
					
					100
					
				

			

		

		

			
				
在实现部分，我们将编写两个函数，一个是成本函数，将实际输出和预测输出作为输入并返回损失，第二个是实际的梯度下降函数，将自变量、目标变量作为输入并使用梯度下降算法找到最佳拟合线。为了实现梯度下降算法，我们需要一个需要最小化的成本函数，迭代次数，确定每次迭代的步长的学习率，同时向最小值移动，在每次迭代中更新参数的权重和偏差的部分导数，以及一个预测函数。在我们的例子中，参数如下所述。从以上三次梯度下降的迭代中，我们可以注意到x的值是逐次递减的，并且通过运行梯度下降更多的迭代，会慢慢收敛到0（局部最小值）。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（八）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-22
					
					77
					
				

			

		

		

			
				
例如，在数据集中有一个性别列，其中包含男性和女性的值，需要转换为数字，那么我们可以简单地转换，比如我们可以把0赋给男性，1赋给女性，然后在上面训练我们的模型。如果我们在不同的数据集上训练模型，并用与训练完全不同的数据集进行测试，那么就会给模型估计自变量和因变量之间的创建带来困难，模型的准确性就会非常低。造成缺失值的原因是：有时列中的大部分字段是空的，需要用正确的数据来填补，有时有不正确的数据或数据质量差，对输出产生不利影响。例如，对于这个问题中的数据，可以找到最佳适应的正态分布的平均数和标准差，如下所示。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（十一）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-22
					
					60
					
				

			

		

		

			
				
考虑下面的例子，我们有一个商店的销售信息。在例1中，计算出的90%人口的置信区间是（2.96-4.83），而在例2中，计算出的99%人口的置信区间是（2.34-5.45），可以解释为例2的置信区间比例1的95%人口的置信区间宽，这意味着[2.34，5.45]的置信区间有99%的机会包含真实的人口平均值。这种方法用于计算n>30的大数据集的置信区间，为此，用户需要调用scipy.stats库中的norm.interval()函数来获得给定数据集的群体平均值的置信区间，在python中数据集为正态分布。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（七）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-23
					
					83
					
				

			

		

		

			
				
在这个例子中，我们将简单地使用pingouin库中的multivariate_normality()函数，在python中对随机生成的有5个变量的100个数据点的数据激情分布进行多变量正态性测试。在这个例子中，我们将简单地使用pingouin库中的multivariate_normality()函数，在python中对随机生成的有5个变量的100个数据点进行多变量正态性测试。由于在上述例子中，P值为0.003，小于α(0.5)，所以我们拒绝无效假设，即我们有足够的证据表明样本不是来自多元正态分布。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（十二）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-23
					
					70
					
				

			

		

		

			
				
SMAPE中的’S’代表对称，’M’代表平均数，它包含了一个系列的平均值，’A’代表绝对值，它使用绝对值来防止正负误差相互抵消，’P’是百分比，使这个准确性指标成为相对指标，’E’代表误差，因为这个指标有助于确定我们预测的误差量。实际上，人们可以声称，数据集中的任何类型的观察，如果其研究性残差超过3（绝对值），就是一个离群点。我们只能在文件中保存一维或二维矩阵，因此，在灰度或黑白图像中不会有问题，因为它是一个二维矩阵，但我们需要确保这对彩色或RGB图像有效，因为它是一个三维矩阵。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（十三）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-24
					
					72
					
				

			

		

		

			
				
Python是一个非常灵活的工具，我们已经看到了将图像转换为Numpy数组的方法，同样也看到了使用不同的API将图像转换回来。操作转换后的数组并形成不同的图像数据，就可以将其送入深度学习神经网络。

			
		

	





	

		

			

				
					
python实战应用讲解-【numpy专题篇】常见问题解惑（十四）（附python示例代码）

				
			

			

				

					getusushu的博客
				

				

					03-25
					
					177
					
				

			

		

		

			
				
对于我们的例子，ROI的坐标是。我们也可以用其他方法来创建向量，这些方法会返回一维的numpy数组，例如np.range(10), np.zeros((4, 1))会得到一维数组，但最合适的方法是使用np.array与一维列表。由于图像中的数据（不包括标题信息）是同质的，并且通常是按顺序访问或直接访问（通过添加偏移量），使用数组来存储图像像素数据，可以对图像进行更快的操作。在下面的代码中，我们使用了crosstab函数，我们把物种列作为索引，把’no_of_species’作为频率列的名称。

			
		

	





	

		

			

				
					
Python基础 5 - 类、对象、注解

				
			

			

				

					云端梦留白的博客
				

				

					09-04
					
					1377
					
				

			

		

		

			
				
面向对象（Object-Oriented, OOP）是一种编程范式，它使用“对象”来设计软件，这些对象包含数据（通常称为属性或字段）和代码（通常称为方法或函数），以模拟现实世界实体的属性和行为。面向对象是一种编程方法，通过创建包含数据和行为的对象来模拟现实世界，提高代码的组织性、重用性和灵活性。在 Pyhon 中，想要使用类，必须先创建对象。class 类名称 : # class 关键字，表示定义了一个类，类首字符大写为标准。

			
		

	





	

		

			

				
					
JS都有哪些操作数组的方法

				
			

			

				

					ggq53219的博客
				

				

					09-04
					
					555
					
				

			

		

		

			
				
JavaScript 中操作数组的方法非常丰富，这些方法大致可以分为几类：创建和初始化数组、添加元素、删除元素、遍历数组、搜索元素、数组排序、数组映射和过滤等。

			
		

	





	

		

			

				
					
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

					
最新发布

				
			

			

				

					weixin_53707653的博客
				

				

					09-09
					
					473
					
				

			

		

		

			
				
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。

			
		

	





	

		

			

				
					
mongodb在Java中条件分组聚合查询并且分页(时间戳，按日期分组，年月日...)

				
			

			

				

					简单发点工作中用到的，或者记录下小知识点
				

				

					09-03
					
					1772
					
				

			

		

		

			
				
按时间 年月日条件分组，筛选数据，统计数据，聚合查询
打印出mongo的SQL语句

			
		

	





	

		

			

				
					
Python数据分析实战：NumPy深度解析与应用指南

				
			

			

				

					
				

			

		

		

			
				
"Python数据分析教程_NumPy使用手记，这是一个详细讲解如何使用NumPy进行数据分析的教程。通过学习，用户可以掌握使用Python中的NumPy库进行高效矩阵运算和科学计算的方法。资源包含在百度网盘链接中，需要使用提取...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
格图素书

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值