numpy矩阵计算

import numpy as np

numpy的优点：

开源的数值计算扩展，类似matlab

存储和处理大型矩阵，比列表好

实用的线性代数、傅里叶变换和随机数生成函数

numpy和scipy配合使用更加方便。（scipy是一个用于数学、科学、工程领域的软件包，可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、信号处理等问题。它用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效解决问题。）

1. 一元线性回归

• 
• 实验测定一系列的，求
• 
• 

• 文件的存取

1. 读文件到矩阵

   Z=np.loadtxt ("C:\\DSDATA\\S-093790.txt")

   Z就是一个矩阵

      默认文件中列以空格间隔

   若以逗号间隔：

• x=np.loadtxt("D:\\data.txt",skiprows=1,delimiter=',')#skiprows表示跳过几行，delimiter去除掉什么符号
  x=np.loadtxt("D:\\data.txt",usecols=[0,2],delimiter=',')#usecols表示用第几列

  矩阵存入文件

• np.savetxt(r"d:\123.txt",x)#将x矩阵存储到d:\123.txt文件中

  格式化保存

  np.savetxt(fname, X, fmt='格式串', delimiter=' ', newline='\r\n')
  fname为文件名，X输出矩阵，fmt为数据格式，delimiter是列分隔符，newline为换行符，一般使用\r\n。
  np.savetxt("d:\\111.txt",y,fmt='%5.2f', delimiter='\t', newline='\r\n') #数据格式为宽度5位，保留2位小数。
  用r转义时只需\

  生成矩阵的便捷方法

• 生成元素为某数字的矩阵 ((m,n)) m行n列

  B=np.zeros((2,3))
  >>B:array([[ 0.,  0.,  0.], [ 0.,  0.,  0.]])
  

  eye生成单位矩阵

• X=np.eye(5,5)
  #生成一个5*5的单位阵（对角线上的数据为1 ，其余为0）

  逆矩阵

• 一个n阶方阵A称为可逆的： AB=BA=E

  B是A的逆矩阵

• B=np.linalg .inv (A)

  import numpy as np
  
  x=np.random.standard_normal((4,4))
  
  xinv=np.linalg.inv(x)
  
  I=x.dot(xinv)

  #全称：linear algebra inverse matrix

• 随机数矩阵

• np.random.standard_normal((n,m))

  生成n行m列，服从正太分布的随机数矩阵

  如x=np.random.standard_normal((4,4))

• 矩阵转置

• B=A.T

• 矩阵的运算

• 矩阵与标量的运算在每个元素上进行加减乘除
• 矩阵与向量的运算指定在列上进行
• 

• 加减运算： C=A+B       或   D=A-B

  点乘：C=A.dot(B)  或 C=np.dot(A,B)  是线性代数乘

• 数乘：Z=X*Y  矩阵的对应元素相乘

• 乘方：

  矩阵每个元素的乘方，形成新矩阵

  A=np.array([[1,-1,0],[2,0,-2.0]])
  
  B=A**2
  
  >>B  array([[1., 1., 0.],[4., 0., 4.]])

  矩阵的形状

• 矩阵的行和列数

    size = A.shape

    size[0]是行数，size[1]是列数 

• 两矩阵合并

• X=np.array([[1,2,3.0],[4.0,5,6]])

  >>> b=np.ones(2)   #产生的是n*1的矩阵

  >>> c=np.c_[b, X]   # 列合并    np.r_[ ]是行

  >>> c

  array([[ 1.,  1.,  2.,  3.],       [ 1.,  4.,  5.,  6.]])

• 矩阵分片

• y=x[: , :2] 所有行的前两列组成y矩阵

  z=x[:2, 2:]则选择前2行、最后2两列组成z矩阵

  若某维度只有一个数字，只取该下标

  一共两个维度，分片时，每个维度 start:end

  维度间，逗号

  Start忽略，取0；end略，最后

应用：crossvalidation

import numpy as np
a=np.random.standard_normal((9,2))
k=int(input('份数'))
n=len(a)//k  # 每份3个样本;
if len(a)%k != 0:
  k=k+1
print(a)
for part in range(k):
    test=a[part*n:(part+1)*n]  # 测试模型的一份样本
    train1=a[0:part*n];    train2=a[(part+1)*n:]
    train=np.r_[train1,train2]   # 训练建模的样本
    print(part); print(train)

指定索引选择

import numpy as np
a=np.random.standard_normal((9,4))
print(a)
xSel=[0,5,7]
ySel=[1,3]
b=a[xSel]   # 选择指定行
b=b[:,ySel]  # 再选择指定列
print(b)

b=a[xSel，ySel]   #  不允许同时选择

矩阵函数

sum（元素和）、 std（标准偏差），mean(均值)

可指定按行或列操作：axis=0时，求列方向，axis=1时，求行方向

>>> x=np.array([[1,2,3],[5,6,7]])

>>> x.sum()

24

>>> x.sum(axis=0)

array([ 6,  8, 10])

>>> x.sum(axis=1)

array([ 6, 18])

计算预测值与真值的%误差

公式：abs(真值-预测)/真值*100

人工智能方法求线性回归模型

import numpy as np
import pandas as pd
X=np.array([150,153,154,155,156,157,158,159,160,162,164,166])
X = X[:,np.newaxis]
y=np.array([93,93,95,96,98,97,96,98,99,100,102,104])

from sklearn.linear_model import LinearRegression
lr=LinearRegression().fit(X,y)  	#初始化模型并拟合数据
print(lr.coef_)      		#权重系数
print(lr.intercept_) 		#截距y=a+bx
predict_score=lr.score(X,y)
print('在训练集上的决定系数为{:.2f}'.format(predict_score))
new_X=np.array([[165]])
print("预测腿长:",lr.predict(new_X))