numpy常用语法记录

np.random.rand(100, 2)

这行代码是用 numpy 库中的 rand 函数生成一个形状为 (100, 2) 的随机数组。其中，第一个参数 100 表示生成的数组有 100 行，第二个参数 2 表示生成的数组有 2 列。每个元素的值都是在区间 [0, 1) 内的随机数。

Y = X @ np.array([[1], [2]]) + np.random.randn(100, 1)

这行代码生成了样本的标签 $Y$。其中，@ 符号表示矩阵乘法，np.array([[1], [2]]) 是一个列向量，表示真实模型的参数向量。因此，X @ np.array([[1], [2]]) 的结果就是样本的标签的理论值，也就是样本的真实标签。

我们还添加了一些随机噪声，以模拟实际情况下样本标签的噪声。具体来说，np.random.randn(100, 1) 生成一个形状为 (100, 1) 的随机数组，每个元素的值都是从均值为 0、方差为 1 的正态分布中随机抽取的。

X = np.concatenate([np.ones((X.shape[0], 1)), X], axis=1)

这行代码是在特征矩阵 X 的左侧添加了一列全为 1 的特征，以实现拟合截距项的目的。

具体来说，np.ones((X.shape[0], 1)) 生成了一个形状为 (X.shape[0], 1) 的全为 1 的二维数组（用ndarray时尽量不用一维），其中 X.shape[0] 表示 X 的行数，也就是样本数量。然后，np.concatenate([np.ones((X.shape[0], 1)), X], axis=1) 将这个全为 1 的二维数组和特征矩阵 X 按列方向拼接起来，得到一个新的特征矩阵，形状为 (X.shape[0], X.shape[1]+1)，其中 X.shape[1] 表示 X 的列数，也就是特征数量。

这样，新的特征矩阵就包含了截距项和所有原始特征，可以用于拟合多元线性回归模型。

类似于 numpy.ones() 的函数有：

numpy.zeros(shape, dtype=float, order=‘C’)：返回一个指定形状和数据类型的全为 0 的数组。其中，shape 表示数组的形状，dtype 表示数组的数据类型，默认为 float，order 表示数组元素在内存中的存储顺序，默认为 C。

numpy.empty(shape, dtype=float, order=‘C’)：返回一个指定形状和数据类型的未初始化的数组。其中，shape 表示数组的形状，dtype 表示数组的数据类型，默认为 float，order 表示数组元素在内存中的存储顺序，默认为 C。

numpy.full(shape, fill_value, dtype=None, order=‘C’)：返回一个指定形状和数据类型的全为指定值的数组。其中，shape 表示数组的形状，fill_value 表示数组的填充值，dtype 表示数组的数据类型，默认为 None，自动匹配 fill_value 的数据类型，order 表示数组元素在内存中的存储顺序，默认为 C。

numpy.eye(N, M=None, k=0, dtype=float, order=‘C’)：返回一个指定形状的单位矩阵。其中，N 和 M 分别表示矩阵的行数和列数，如果 M 为 None，则默认为 N，k 表示矩阵的偏移量，即对角线的位置，默认为 0，dtype 表示矩阵的数据类型，默认为 float，order 表示矩阵元素在内存中的存储顺序，默认为 C。