【数据挖掘重要笔记day28】数据挖掘numpy中需要学习的线性代数知识

数据挖掘numpy中需要学习的线性代数知识

线性代数（如矩阵乘法、矩阵分解、⾏列式以及其他⽅阵数学 等）是任何数组库的重要组成部分。不像某些语⾔（如 MATLAB），通过*对两个⼆维数组相乘得到的是⼀个元素级的 积，⽽不是⼀个矩阵点积。因此， NumPy提供了⼀个⽤于矩阵 乘法的dot函数（既是⼀个数组⽅法也是numpy命名空间中的⼀ 个函数）：

import numpy as np

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

y = np.array([[6., 23.], [-1, 7], [8, 9]])
y

x.dot

x.dot(y)

np.dot

x.dot(y)等价于np.dot(x, y)

np.dot(x, y)

⼀个⼆维数组跟⼀个⼤⼩合适的⼀维数组的矩阵点积运算之后将 会得到⼀个⼀维数组：

np.dot(x, np.ones(3))

@符

@符（类似Python 3.5）也可以⽤作中缀运算符，进⾏矩阵乘 法

numpy.linalg

numpy.linalg中有⼀组标准的矩阵分解运算以及诸如求逆和⾏列 式之类的东⻄。它们跟MATLAB和R等语⾔所使⽤的是相同的⾏ 业标准线性代数库，如BLAS、 LAPACK、 Intel MKL（Math Kernel Library，可能有，取决于你的NumPy版本）等

from numpy.linalg import inv, qr
X = np.random.randn(5, 5)
X

mat = X.T.dot(X)#点击
mat

inv(mat)#计算方针的逆

mat.dot(inv(mat))
q, r = qr(mat)#计算qr分解
r

q

常用的numpy.linalg函数