1. 按照行列求平均
c = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
print(c.mean(axis=1))#行
print(c.mean(axis=0))#列
求均值操作会把矩阵降维,在numpy的最新版本中,包括mean在内的简化操作有一个名为keepdims的参数,它告诉函数不要折叠缩小的维度.相反,保留长度为1的普通维度。
c = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
m = c.mean(axis=1)
m2 = c.mean(axis=1,keepdims=True)
print('m shape:',m.shape)
print('m2 shape:',m2.shape)
对于numpy的旧版本,可以使用reshape恢复维度
m = X.mean(axis=1).reshape(-1, 1)
恢复维度之后就可以把矩阵减去求的的均值
Y = X - X.mean(axis=1, keepdims=True)
2. 矩阵求平方,开根号
#方法一
error_xyz = p-gt
error = np.square(error_xyz).sum(1)
error = np.sqrt(error)
#方法二
sum(map(lambda i,j: abs(i-j),p0,p1))
平方后按行求和再开根号,得到每个坐标相对原点的距离。
3. 取出每个list的固定索引的元素组成zip
lla_p = list(zip(lats, lons, alts))
4. 数组的初始化
xyz_vision = np.zeros(shape=(len(vis_data),3))
5. 取出矩阵的某个块
T = np.zeros(shape=(4,4))
T[0:3,0:3] = R
T[0:3,3] = t
6. 求矩阵行列式
np.linalg.det(R)
7. svd分解
U, Sigma, V_T =np.linalg.svd(W)