介绍Array 类和其相关的系数运算方式


layout: post
title: “Eigen - The Array class”
date: 2019-5-28
description: “Eigen说明文档(1.3)”
tag: Eigen

介绍Array 类和其相关的系数运算方式

什么是Array类?

Array类跟前面介绍的Matrix相似,不过在形式和运算方式上略有区别。Array主要用于线性代数的运算中。
Array类的形式如下:
Array<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>

以ArrayNt 为例,其表示的是一维的数组,N和t分别表示数组大小和数值类型。对于二维的数组,通常采用ArrayNNt的形式。

Array数组赋值

Array数组的赋值方式可以参见上图,具体形式与Matrix相同。这里就不再赘述。

Array数组的数学运算

Array数组的加减运算与MAtrix相同,不过,如果两个Array,a,b之间的运算就要求数组a和数组b的形式相同。
需要特殊注意的是,Array的乘法运算是相应元素之间的运算。这是与Matrix最大的区别。

相应的Array提供了一系列相关的函数运算:

  • .abs() :对数组中的元素求绝对值
  • .sqrt() :对数组的元素开根号
  • .min() :这个函数是比较两个Array数组,相应位置上取二者较小值

Array数组与Matrix数组之间的转化

Matrix 和 Array 数组之间的转换可以通过函数:.array() 、.matrix()实现。而且,Matrix也可以调用函数.cwiseProduct()实现Array的数值运算方式。
而且,Matrix 和Array在数组形式相同的情况下支持相互赋值。


*转载请注明原地址,邓辉的博客:[https://github.com/my-lord/mylord.github.io](https://github.com/my-lord/mylord.github.io) 谢谢!*

Don’t Panic.

请各位大佬多多打赏


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 下面是一个通过矩阵运算计算回归系数的示例代码: ```python import numpy as np def calc_coef(data): # 将数据集转换为矩阵 x = np.mat(data[:, :-1]) y = np.mat(data[:, -1]).T # 计算矩阵的转置与自身的乘积 xtx = x.T * x # 判断矩阵是否为奇异矩阵 if np.linalg.det(xtx) == 0: print("矩阵为奇异矩阵,无法求逆!") return None # 通过求逆矩阵的方式计算回归系数 coef = xtx.I * x.T * y return coef # 测试 data = np.array([[1, 2, 3], [1, 3, 5], [1, 4, 7], [1, 5, 11]]) coef = calc_coef(data) print(coef) ``` 在这个示例中,我们首先将数据集转换为矩阵形式,并计算矩阵的转置与自身的乘积(即 x.T * x)。然后,我们判断矩阵是否为奇异矩阵,如果是则输出提示信息并返回 None。否则,我们通过求逆矩阵的方式计算出回归系数。最后,我们输出回归系数的值。 ### 回答2: 在使用Jupyter通过矩阵运算计算回归系数时,我们需要首先导入所需的库和数据。假设我们有一个包含两个自变量(X1和X2)和一个因变量(Y)的数据集。下面是一个使用numpy和pandas进行回归系数计算的示例代码。 首先,我们需要导入所需的库: ```python import numpy as np import pandas as pd ``` 然后,我们可以导入数据集,假设数据集保存在名为“data.csv”的文件中: ```python data = pd.read_csv('data.csv') ``` 接下来,我们可以将自变量和因变量分离: ```python X = data[['X1', 'X2']] Y = data['Y'] ``` 接下来,我们可以使用numpy中的`linalg`模块来计算回归系数。首先,我们需要在自变量矩阵的第一列添加一个常数列,以便计算截距项: ```python X = np.c_[np.ones(len(X)), X] ``` 然后,我们可以使用最小二乘法来估计回归系数: ```python coefficients = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(Y) ``` 最后,我们可以打印回归系数: ```python print(coefficients) ``` 上述代码将使用矩阵运算计算回归系数。需要注意的是,在进行矩阵运算时,自变量矩阵需要进行逆转置运算,以便得到适合用于回归的系数。 最终的结果将会打印出回归系数。这些系数表示自变量与因变量之间的关系,每个系数对应一个自变量。 希望上述代码能帮助你理解如何使用Jupyter通过矩阵运算计算回归系数。 ### 回答3: Jupyter是一个交互式编程环境,可以方便地进行矩阵运算和数据分析。下面是一个使用Jupyter计算回归系数的示例代码: ```python import numpy as np # 输入数据 X = np.array([[1, 2], [3, 4], [5, 6]]) # 自变量矩阵 y = np.array([3, 4, 5]) # 因变量矩阵 # 添加常数项 X = np.c_[np.ones(X.shape[0]), X] # 计算回归系数 coefficients = np.linalg.inv(X.T @ X) @ X.T @ y # 打印回归系数 print('回归系数:', coefficients) ``` 在这个例子中,首先我们在自变量矩阵(X)的第一列添加了常数项(1),然后使用矩阵运算计算了回归系数(coefficients)。具体来说,我们使用了矩阵的逆运算(np.linalg.inv)、矩阵的转置运算(.T)、矩阵的乘法运算(@)和矩阵的求解运算(np.linalg.solve)等。最后,我们使用print语句打印了计算得到的回归系数。 这段代码是一个简单的线性回归模型,用于预测因变量(y)与自变量(X)之间的线性关系。通过矩阵运算,我们可以得到最优的回归系数,从而用于预测新的观测数据。因为Jupyter提供了交互式的环境,我们可以灵活地进行代码调试和结果展示,对于数据分析工作非常有帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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