numpy常见问题随记

最近在做ksvd相关的东西，在写代码时使用到了numpy，因为是第一次接触，所以其中遇到了不少的问题，本篇博客便将它们记录下来，供将来的自己复习使用，也希望能帮到其他人。

numpy中向量与矩阵的转换

在我需要计算$c_j\ast x_j=r$中的$x_j$时，其中$c_j$是矩阵$C$的一列，我就直接使用numpy.linalg.pinv(cj).dot(r)[0]来计算了，然而，却不行，报出了Error：must be an array of at least two dimensions的错误，经过百度，最后发现了问题。
问题在于numpy.linalg的运算都是针对矩阵来的，而不是针对向量来的。我们来看一下cj的维度，输入cj.shape，便可以得到cj的维度，结果是(100,)，这代表cj是一个向量，是一个维度为100的列向量，它不是矩阵，无法进行矩阵运算，所以，这里需要将它转换成矩阵，才能进行后续的运算。
这里使用numpy提供的reshape函数来将列向量转换成矩阵，cj = np.reshape(cj,(cj.shape[0],1))，第一个参数是要转换的向量or矩阵，第二个参数是一个元组，代表其要转换的维度，这里cj.shape[0]是取（100，）中的100，（也就是行数，如果是shape[1]就是取列数），经过这行代码，得到cj就是个矩阵了，再看一下它的shape，就是（100,1），之后再来计算$x_i$就很顺利，不存在什么问题了。

统计矩阵或向量中的0的数量，统计每个数的数量

由于要使得稀疏码尽量稀疏，我需要统计向量或者矩阵中的0的个数。不过numpy并没有直接统计0的个数，或者有时候我们需要的是非零的个数。这里可以使用np.nonzero(a)来处理。它可以统计矩阵或者向量中的非零数，返回非零个数的索引。比如对于[[01][10]]这样一个矩阵，它会返回(array(0,1),array(1,0))这样的数据，前面一个array是非零数的横坐标，后面一个是非零数的纵坐标，如果只需要获取非零数的个数，那么可以用len(np.nonzero(a)[0])来获取，如果是0的个数，用总个数减去它就好了。
除此之外，可能还需要统计一个列表或一个向量中1有多少个，2有多少个，这种问题，也很好解决，虽然不是用numpy。解决代码如下

    from collections import  Counter
    matrix = np.loadtxt(coef_filename)  # 载入稀疏码矩阵
    indexs = np.nonzero(matrix)[0]  # nonzero 返回两个,一个是行坐标索引，一个是列坐标索引
    # 我们这里需要的是非零的数的行坐标，所以【0】就可以了
    # 统计0-199的个数
    dic_freq = Counter(indexs)  # 直接查询索引就能得到所有的字典向量对应的使用数量

这里，Counter()方法的返回值是类似于一个列表，可以通过dic_freq[i]来获取i对应的个数

载入保存在txt中矩阵

我的项目是关于网络的，所以会存大量的邻接矩阵，如果要获取这些矩阵，就得从txt文件中获取，矩阵在txt文件的格式为每一行即一行，每一列即一列，元素之间通过空格隔开，此时使用matrix = np.loadtxt(coef_filename)便可以从txt直接读取矩阵。
同样的，也可以将矩阵存储到txt文件中，np.savetxt(dic_name, dictionary,fmt="%2f")。
可以通过fmt参数来控制一下存储的格式，不然都是科学计数法有点妨碍阅读。

如何将矩阵转换成列向量并复制给新矩阵

这里举个例子，a是34的矩阵，此时需要把a变成首尾相接的列向量，其维度是121的，然后把其值赋给15*12的矩阵b的第二列的前12个元素，此时代码可以这样写：

a = np.array([[1,0,3,0],[2,0,4,0],[3,3,3,0]])
# print(a)
print(a.shape)
print(a)
a = np.reshape(a,(a.shape[0]*a.shape[1],))
print(a.shape)
print(a)
b = np.zeros((15,12))
b[:3*4,1] = a
b

Numpy的一些问题

在使用numpy的svd时，会遇到一些问题，就比如矩阵太大，会遇到init_dgesdd failed init的问题，这个 的原因可以看https://blog.csdn.net/qq_34687559/article/details/108491775
除此之外，对于在svd过程成，有时候会遇到svd did not converge，我也暂时没弄清这个的原因，但是对此的解决方式是，full_matrix = true可以解决，至于网络说的用scipy来替代numpy，这个我用过感觉不太行。

持续更新中···