Exercise10-Scipy

Exercise10.1 Least squares

分析：

使用numpy.linalg.lstsq来计算。

相关说明：

1. numpy.random.randint
   low、high、size三个参数。默认high是None,如果只有low，那范围就是[0,low)。如果有high，范围就是[low,high)。
   

   np.random.randint(2, size=10)
   array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])

np.random.randint(1, size=10)
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

np.random.randint(5, size=(2, 4))
array([[4, 0, 2, 1],
[3, 2, 2, 0]])

1. numpy.linalg.lstsq做线性回归
   A = np.vstack([x, np.ones(len(x))]) np.ones(len(x))用以放置常数项
   

代码：

#10.1
A = np.random.randint(10,size = (8,6))
b = np.random.randint(10,size = 8)
ls = np.linalg.lstsq(A, b, rcond=0)  
print(ls[0]) #solution
print(ls[1]) #residual

结果：

Exercise 10.2: Optimization

分析：

使用optimize.fmin获取相反函数的最小值，即为所求函数的最大值。

相关说明：

1. optimize.fmin需要提供一个估计的x值（对应y的最小值），可以先作出函数图像来确定。这里根据图像定为0。
   第二个参数x0 initial guess
   https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.fmin.html#scipy-optimize-fmin
2. np.exp(-x*x)

代码：

#10.2
def f(x):
    return -(np.sin(x-2)**2)*np.exp(-x*x) #use'-'to find the max
m = optimize.fmin(f,0)
print(m)

结果：

Exercise 10.3: Pairwise distances

分析：

使用scipy的距离计算库scipy.spatial.distance的pdist方法。

相关说明：

https://blog.csdn.net/pipisorry/article/details/48814183
有很详细的关于该库的相应方法说明。
摘录：Y = pdist(X, ’euclidean’) #d=sqrt((x1-x2)^2+(y1-y2)^2+(z1-z2)^2)
函数也可以用自己写的，如欧式距离计算可以这样：
dm = pdist(X, lambda u, v: np.sqrt(((u-v)**2).sum()))

代码：

X = np.random.randint(10,size = (8,10))
distance = dis.pdist(X,'euclidean')
print(distance)

结果：

完整代码：

import numpy as np 
from scipy import optimize
import scipy.spatial.distance as dis

#10.1
A = np.random.randint(10,size = (8,6))
b = np.random.randint(10,size = 8)
ls = np.linalg.lstsq(A, b, rcond=0)  
print(ls[0]) #solution
print(ls[1]) #residual

#10.2
def f(x):
    return -(np.sin(x-2)**2)*np.exp(-x*x) #use'-'to find the max
m = optimize.fmin(f,0)
print(m)

#10.3
X = np.random.randint(10,size = (8,10))
distance = dis.pdist(X,'euclidean')
print(distance)