numpy学习笔记5——常用函数4

最新推荐文章于 2024-08-20 16:20:53 发布

_Cin

最新推荐文章于 2024-08-20 16:20:53 发布

阅读量473

点赞数

分类专栏： numpy 文章标签： python numpy

本文链接：https://blog.csdn.net/qq_43260356/article/details/108648631

版权

numpy 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

文章目录

基本符号表示
求逆矩阵
解线性方程
求特征值和特征向量
奇异值分解
广义逆矩阵
行列式
快速傅里叶变换
概率分布

import numpy as np

基本符号表示

$A^{-1} A=E$ 则 $A^{-1}$ 是A的逆矩阵
$A^T A = E$ 则A是正交矩阵
存在正交矩阵P,使得 $P^T A P = B$ 则A相似于B
$A^H = \overline{A}^T$ $A^H$ 为共轭矩阵
$A^H=A$ 则A为Hermit矩阵
$A^HA=AA^H$ 则A为正规矩阵
$A^HA=AA^H=E$ 则A为酉矩阵
若存在酉矩阵P，使得 $P^HAP=B$ 则A酉相似于B

求逆矩阵

a = np.mat('0,1,2;1,0,3;4,-3,8')
#求逆
print('逆矩阵')
b = np.linalg.inv(a)
print(b)
print(a*b) #A * A^-1 = E

逆矩阵
[[-4.5  7.  -1.5]
 [-2.   4.  -1. ]
 [ 1.5 -2.   0.5]]
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

解线性方程

A = np.mat('1,-2,1;0,2,8;-4,5,9') #系数矩阵
b = np.array([0, 8, -9])
print(b)
x = np.linalg.solve(A,b) 
print(x)

#验证 看看A*x 是否等于b
b_ = np.dot(A,x) #dot计算点积
print(b_)

[ 0  8 -9]
[6.92 3.52 0.12]
[[-1.11022302e-16  8.00000000e+00 -9.00000000e+00]]

求特征值和特征向量

B = np.mat('-3,-2;1,0')
#求特征值
a = np.linalg.eigvals(B)
print(a)

#eig函数可以同时求特征和特征向量
lambda_1, a_1 = np.linalg.eig(B)
print('特征值')
print(lambda_1)
print('特征向量')
print(a_1)

#验证 利用点积计算B*a是否等于(lambda)*a
print('验证')
for i in range(len(lambda_1)):
    print('向量%d'%i)
    print(np.dot(B, a_1[:,i]))
    print(np.dot(lambda_1[i], a_1[:,i]))

[-2. -1.]
特征值
[-2. -1.]
特征向量
[[-0.89442719  0.70710678]
 [ 0.4472136  -0.70710678]]
验证
向量0
[[ 1.78885438]
 [-0.89442719]]
[[ 1.78885438]
 [-0.89442719]]
向量1
[[-0.70710678]
 [ 0.70710678]]
[[-0.70710678]
 [ 0.70710678]]

奇异值分解

对角化分解

对角化分解是相对于方阵而言(n×n)，给定一个方阵，可以将其进行对角分解： $A=U\Lambda U^{-1}$ 其中 $\Lambda$ 为对角矩阵，其对角线上的值为A的特征值，U为A的特征值对应的特征向量组成的矩阵。特别的，当A为对称矩阵时，则称为对称对角化分解。
$(\mu_1,\mu_2...\mu_m)\begin{bmatrix}\lambda_1 &0 &\cdots \\ 0 & \lambda_2 &\cdots \\ \vdots & \ddots & \vdots \\0 &\cdots &\lambda_i \end{bmatrix} (\mu_1,\mu_2...\mu_m)^{-1}$
由于矩形阵无法进行行列式求解，所以矩形阵无法进行特征值分解。为此引入奇异值的概念。若用A表示一个矩形阵，则可以通过 $AA^H$ 或者 $A^HA$ 将矩形阵变成方阵，从而进行特征值的分解。

奇异值的定义

假设 $A\in{C_r^{mxn}(r>0)}$ , $A^HA$ 的特征值为：

$\lambda_1\geq\lambda_2\geq...\lambda_r\geq\lambda_{r+1}=...=\lambda_n=0$
则称 $\sigma_i=\sqrt{\lambda_i}(i=1,2,...n)$ 为A的奇异值。特别的0矩阵的奇异值都为0。

奇异值分解的定义

假设 $A\in{C_r^{m×n}(r>0)}$ ，存在m阶酉矩阵P和n阶酉矩阵Q使得：

$P\begin{pmatrix}\sum&0\\0&0\end{pmatrix}Q^H$
其中 $\sum=diag(\sigma_1,\sigma_2,...,\sigma_r)；$ 其中 $\sigma_1,\sigma_2,...,\sigma_r$ 是矩阵A的所有非零奇异值，则上面的公式称为奇异值分解。

需要注意的是虽然奇异值由A唯一确定，但是酉矩阵P和Q并不唯一，所以奇异值分解不唯一。

奇异值的求解

可以把奇异值分解看作是一种特殊的特征值分解，只不过不是对矩阵A本身进行特征值分解，而是对 $AA^H$ 或者 $A^HA$ 进行特征值分解。所以奇异值分解过程与进行特征值分解的求解过程是一样的。

$AA^H$ 的分解记为 $AA^H=P\Lambda_1 P^{-1}$ ， $AA^H$ 的分解记为 $A^HA=Q\Lambda_2 Q^{-1}$ ，则把矩阵A（m×n)的奇异值分解记为 $A=P\sum Q^H$ ,其中P为 $AA^H$ 的特征向量（标准向量维度为m×m）（称为A的左奇异向量）， $\Lambda_1$ 为 $AA^H$ 的特征值组成的对角矩阵；Q为 $A^HA$ 特征向量(标准向量维度为n×n）（称为A的右奇异向量） $Q^H$ 为Q的共轭转置， $\Lambda_2$ 为 $A^HA$ 的特征值组成的对角矩阵； $\sum$ 为奇异值矩阵( $A^HA$ 的特征值开根号），维度大小为m×n。

举例

求 $\begin{pmatrix}1&2\\0&0\\0&0\end{pmatrix}$ 的奇异值分解：

计算P：

$AA^H=\begin{pmatrix}1&2\\0&0\\0&0\end{pmatrix} \begin{pmatrix}1&0&0\\2&0&0\end{pmatrix}=\begin{pmatrix} 5 & 0 & 0 \\ 0 & 0& 0\\ 0 & 0& 0\end{pmatrix}$
根据 $|AA^H-\lambda{E}|=0特征值$ ：

$\begin{vmatrix}5-\lambda&0&0\\0&-\lambda&0\\0&0&-\lambda\end{vmatrix} = (5-\lambda)\lambda^2=0$
解的 $\lambda_1=5,\lambda_2=0,\lambda_3=0$

当 $\lambda=5$ 时， $AA^H-\lambda{E}=\begin{pmatrix}0&0&0\\0&-5&0\\0&0&-5\end{pmatrix}$ 可以取特征向量 $\alpha_1=(1,0,0)^T$

当 $\lambda=0$ 时， $AA^H-\lambda{E}=\begin{pmatrix}5&0&0\\0&0&0\\0&0&0\end{pmatrix}$ 可以取特征向量 $\alpha_2=(0,1,0)^T$ , $\alpha_3=(0,0,1)^T$

所以得到P: $Q=\begin{pmatrix}1&0&0\\0&1&0\\0&0&1\end{pmatrix}$

计算Q：

$A^HA=\begin{pmatrix}1&0&0\\2&0&0\end{pmatrix}\begin{pmatrix}1&2\\0&0\\0&0\end{pmatrix}=\begin{pmatrix}1&2\\2&4\end{pmatrix}$
根据 $|A^HA-\lambda{E}|=0特征值$ ：

$\begin{vmatrix}1-\lambda&2\\2&4-\lambda\end{vmatrix} =\lambda^2-5\lambda=0$
解的 $\lambda_1=5,\lambda_2=0$

当 $\lambda=5$ 时， $A^HA-\lambda{E}=\begin{pmatrix}-4&2\\2&-1\end{pmatrix}$ 可以取特征向量 $\alpha_1=(1,2)^T$

当 $\lambda=0$ 时， $A^HA-\lambda{E}=\begin{pmatrix}1&2\\2&4\end{pmatrix}$ 可以取特征向量 $\alpha_2=(2,-1)^T$

所以特征向量为 $\begin{pmatrix}1&2\\2&-1\end{pmatrix}$

标准化（单位化）后得到Q： $Q=\begin{pmatrix}\frac{1}{\sqrt{5}}&\frac{2}{\sqrt{5}}\\\frac{2}{\sqrt{5}}&\frac{-1}{\sqrt{5}}\end{pmatrix}$

由 $A^HA$ 的特征值为5和0所以取( $\sum$ 为3x2维) $\sum = \begin{pmatrix}\sqrt{5}&0\\0&0\\0&0 \end{pmatrix}$
所以矩阵A的奇异值分解为

$P\sum Q^H = \begin{pmatrix}1&0&0\\0&1&0\\0&0&1\end{pmatrix} \begin{pmatrix}\sqrt{5}&0\\0&0\\0&0 \end{pmatrix} \begin{pmatrix}\frac{1}{\sqrt{5}}&\frac{2}{\sqrt{5}}\\\frac{2}{\sqrt{5}}&\frac{-1}{\sqrt{5}}\end{pmatrix}^H= \begin{pmatrix}1&2\\0&0\\0&0\end{pmatrix}$

#奇异值分解
A = np.mat('1,2;0,0;0,0')
P, sigma, QH = np.linalg.svd(A, full_matrices=False)
print('P')
print(P)
print('sigma')
print(sigma)
print('QH')
print(QH) #

#验证
# np.diag函数将值放在矩阵的对角线上
result = P * np.diag(sigma) * QH
print(result)

P
[[1. 0.]
 [0. 1.]
 [0. 0.]]
sigma
[2.23606798 0.        ]
QH
[[ 0.4472136   0.89442719]
 [-0.89442719  0.4472136 ]]
[[1. 2.]
 [0. 0.]
 [0. 0.]]

广义逆矩阵

对于逆矩阵，只有方阵且行列式不为0=才存在逆矩阵。逆矩阵有下列等价说法。

非奇异矩阵
R=n (秩等于维度）
行、列线性无关
行列式不为0
Ax=b 有唯一解
Ax=0 只有0解

把逆矩阵的概念推广到非方阵（矩形阵）就称为广义逆矩阵。特别的，若满足AB=E，但不满足BA=E，则B称为A的右逆矩阵；若满足AB=E，不满足BA=E，则B称为A的左逆矩阵。

A = np.mat('4,11,14;8,7,-2')
B = np.linalg.pinv(A)
print('A')
print(A)
print('B')
print(B)
print('AB')
print(A*B) #近似于E
print('BA')
print(B*A) #不是单位矩阵 
#所以B为A的右逆矩阵

A
[[ 4 11 14]
 [ 8  7 -2]]
B
[[-0.00555556  0.07222222]
 [ 0.02222222  0.04444444]
 [ 0.05555556 -0.05555556]]
AB
[[ 1.00000000e+00 -9.29811783e-16]
 [-1.66533454e-16  1.00000000e+00]]
BA
[[ 0.55555556  0.44444444 -0.22222222]
 [ 0.44444444  0.55555556  0.22222222]
 [-0.22222222  0.22222222  0.88888889]]

行列式

A = np.mat('1,2;3,4')
print(A)
print(np.linalg.det(A))

[[1 2]
 [3 4]]
-2.0000000000000004

快速傅里叶变换

#快速傅里叶变换
t = np.linspace(0,2*np.pi,30) #时间点
y = np.sin(t) #sin函数
fft_y = np.fft.fft(y) #fft变换 sin函数fft为Sa函数
#画图
import matplotlib.pyplot as plt
%matplotlib inline
plt.plot(fft_y)

在这里插入图片描述

#傅里叶逆变换
ifft_y = np.fft.ifft(fft_y)
plt.plot(ifft_y)

#验证
differ = np.abs(ifft_y-y)
print(differ)
result = np.all(differ<(10 ** -9)) #判断是否为0（是否相等）
print(result)

[4.67218856e-17 1.59283179e-16 5.79693349e-17 2.35151319e-16
 1.65082502e-16 2.29964417e-16 7.94577140e-18 2.26577977e-16
 2.59179851e-16 1.18265037e-16 3.38773259e-16 1.97918875e-17
 1.13346788e-16 7.16310534e-17 1.14965906e-16 7.65510590e-17
 6.83472337e-17 5.55636646e-18 2.26653345e-16 1.69788022e-16
 1.20123654e-16 1.21532906e-16 8.61705607e-18 1.48286582e-18
 1.85509225e-17 1.14483521e-16 1.49603722e-16 2.10305392e-16
 1.28029386e-16 1.27444483e-16]
True

在这里插入图片描述

# 频移操作
shift_fft = np.fft.fftshift(fft_y)
plt.plot(fft_y) #原傅里叶信号
plt.plot(shift_fft)#频移后（移到图像中间）
ishift_fft = np.fft.ifftshift(shift_fft)
plt.plot(ishift_fft, linewidth=2)#还原(重合了)

在这里插入图片描述

概率分布

二项分布

设事件A发生的次数为X,A发生的概率为p,不发生的概率为q=1-p,则在n次独立重复实验中，事件A恰好发生k次的概率为 $P(X=k)=C_n^kp^kq^{n-k}$ ，并且满足 $p+q)^n = C_n^0p^0q^{n}+C_n^1p^1q^{n-1}+...+C_n^np^nq^{0}$ 。这样的离散变量X服从二项分布，表示为X~B(n,p)。

#二项分布
length = 10000
cash = np.zeros(length)
outcome = np.random.binomial(9,0.5,size=len(cash)) #n=9,p=0.5 模拟掷硬币 每次掷9枚 掷10000次
print(outcome)
print(max(outcome))
print(min(outcome))
for i in range(1,length):
    if outcome[i]<5: #小于5则为前一个数减一(模拟输一次)
        cash[i] = cash[i-1]-1
    else:#大于等于5则为前一个数加一(模拟赢一次)
        cash[i] = cash[i-1]+1
        
plt.plot(np.arange(len(cash)),cash)

[6 4 5 ... 6 5 3]
9
0

在这里插入图片描述

超几何分布

设总共有N件两类商品，其中一类中有M件，从所有商品中任取n件（n<=N)，这n件中含有一类商品数目X是一个离散随机变量，X取m时概率为 $P(X=m)=\frac{C^m_M C_{N-M}^{n-m}}{C^n_N} (0\leq{m}\leq{l},l=min(n,M))$ 则称为X服从N,M,n的超几何分布。

length = 100
cash = np.zeros(length)
outcome = np.random.hypergeometric(25,1,3,size=len(cash)) #25个一类商品 1个二类商品 每次取3个商品 返回结果为3个商品中是一类商品的个数
print(outcome) #结果只有2或者3，因为只有一个2类商品
print(max(outcome))
print(min(outcome))
for i in range(1,length): 
    if outcome[i]==3: #抽三次都是一类商品 模拟加一分
        cash[i] = cash[i-1]+1
    elif outcome[i]==2:#抽到二类商品（只抽到两个一类商品）
        cash[i] = cash[i-1]-6
        
plt.plot(np.arange(len(cash)),cash)

[3 3 3 3 3 3 2 3 2 3 3 3 2 3 2 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
 3 3 3 3 3 3 3 3 3 3 3 2 3 2 3 3 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
 3 3 3 3 3 2 3 3 2 2 3 2 3 3 2 3 3 3 3 3 3 3 3 3 3 2]
3
2

在这里插入图片描述

正态分布

连续分布可以用概率密度函数（PDF)表示。正态分布的PDF为： $f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} x\in{R}$ 其中 $\mu（数学期望）,\sigma（标准差）$ 是参数，且 $\sigma>0,-\infty<\mu<+\infty$ 表示为 $x~N(\mu,\sigma^2)$

N = 10000
normal_value = np.random.normal(size=N) 
#画直方图

dummy, bins, dummy = plt.hist(normal_value,int(np.sqrt(N)),density=True,lw=2) 
#输入参数为 数值、条形数、density参数（True表示频率图，默认为频数图、线宽
#输出参数bins为长度为int(np.sqrt(N))的数组


#画连续图
sigma = 1 #标准差为1
mu = 0 #期望为0
plt.plot(bins,(1/(np.sqrt(2*np.pi)*sigma))*np.exp(-(bins-mu)**2/(2*sigma**2)),lw=2)

在这里插入图片描述

对数正态分布

如果X是随机变量，Y=ln(X)服从正态分布，则称为X服从对数正态分布。对数正态分布的PDF为
$f(x)=\begin{cases}\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{1}{2}(\frac{ln(x)-\mu}{\sigma})^2},&\text{x>0}\\0,&\text{x<=0}\end{cases}$
$\mu$ 、 $\sigma$ 为参数。对数均值表达式为 $E(x)=e^{(\mu+\frac{\sigma^2}{2})}$ ,
对数标注差表达式为 $D(x)=(e^{\sigma^2}-1)e^{(\sigma^2+2\mu)}$

对数正态分布存在下列性质：

正态分布经过指数变换后变为对数正态分布，对数正态分布经过对数变换后变为正态分布
对数正态总是右偏
对数正态的均值和方差为参数 $\mu、\sigma$ 的增函数
给定参数 $\mu$ ，当 $\sigma$ 趋于0时，对数正态分布的均值趋于 $e^{\mu},方差趋于0$
T,t是正实数，X是参数为 $(\mu,\sigma)$ 的正态分布,则 $\gamma X^t$ 任是对数正态分布，参数为 $(t\mu+ln(\gamma),t\sigma)$

N = 10000
lognormal_value = np.random.lognormal(size=N) 
#画直方图

dummy, bins, dummy = plt.hist(lognormal_value,int(np.sqrt(N)),density=True,lw=2) 
#输入参数为 数值、条形数、density参数（True表示频率图，默认为频数图、线宽
#输出参数bins为长度为int(np.sqrt(N))的数组

#画连续图
sigma = 1 #标准差为1
mu = 0 #期望为0
x =np.linspace(min(bins),max(bins),len(bins))
pdf = 1/(np.sqrt(2*np.pi)*sigma*x)*np.exp(-1/2*((np.log(x)-mu)/sigma)**2)
plt.plot(x, pdf, lw=2)

在这里插入图片描述

_Cin

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
numpy学习笔记5——常用函数4

文章目录基本符号表示求逆矩阵解线性方程求特征值和特征向量奇异值分解对角化分解奇异值的定义：奇异值分解的定义：奇异值的求解举例：广义逆矩阵行列式快速傅里叶变换概率分布二项分布超几何分布正态分布对数正态分布import numpy as np基本符号表示A−1A=EA^{-1} A=EA−1A=E 则A−1A^{-1}A−1是A的逆矩阵ATA=EA^T A = EATA=E 则A是正交矩阵存在正交矩阵P,使得PTAP=BP^T A P = BPTAP=B 则A相似于BAH=A‾TA^H = \o
复制链接

扫一扫

专栏目录