Numpy&Matplotlib笔记

numpy随机数

np.random.rand(10, 10)                // 创建指定形状(示例e为10行10列)的数组(范围在0-1之间)
np.random.uniform(0, 100)             // 创建指定范围内的一个数
np.random.randint(0, 100)             // 创建指定范围内的一个整数
np.random.normal(1.75, 0.1, (2, 3))   // 给定均值/标准差/维度的正态分布
np.random.randint(0, 100, (2, 3))     // 矩阵大小(2, 3)，取值范围0-100.

numpy数组操作

• 数组累加

>>> import numpy as np
>>> s = np.array([[1, 2], [3, 4]])
>>> s.cumsum()   // 数组累加
array([ 1,  3,  6, 10], dtype=int32)
>>> s.cumsum()[-1]
10

• 数组累乘

>>> s.cumprod()  // 数组累乘
array([ 1,  2,  6, 24], dtype=int32)
>>> s.cumprod()[-1]
24

• 元素标准差

>>> s.std()  // 所有元素标准差
1.118033988749895

• 元素求和

>>> s.sum()  // 所有元素求和
10

• 元素求均值

>>> s.mean()  // 所有元素求均值
2.5

• 元素最小值

>>> s.min()  // 所有元素最小
1

• 元素最大值

>>> s.max()  // 所有元素最大
4

• 最大元素的索引

>>> s.argmax()  // 最大元素的索引
3

• 最小元素的索引

>>> s.argmin() // 最小元素的索引
0

numpy线性代数

• 矩阵乘法函数

>>> x = np.array([[1, 2, 3], [4, 5, 6]])
>>> y = np.array([[6, 23], [-1, 7], [8, 9]])
>>> x
array([[1, 2, 3],
       [4, 5, 6]])
>>> y
array([[ 6, 23],
       [-1,  7],
       [ 8,  9]])
>>> x.dot(y)   // 矩阵乘法函数
array([[ 28,  64],
       [ 67, 181]])

• 以一维数组的形式返回方阵的对角线(或非对角线)元素，或将一维数组转换为方阵(非对角线元素为0)

>>> z = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> z
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
>>> np.diag(z)  // 以一维数组的形式返回方阵的对角线(或非对角线)元素，或将一维数组转换为方阵(非对角线元素为0)
array([1, 5, 9])
>>> np.diag(np.array([1, 5, 9]))
array([[1, 0, 0],
       [0, 5, 0],
       [0, 0, 9]])

• 计算对角线元素的和

>>> np.trace(z)  // 计算对角线元素的和
15

• 矩阵行列式

>>> np.linalg.det(z)  // 矩阵行列式
0.0

• 方阵的特征值和特征向量

>>> np.linalg.eig(z)  // 方阵的特征值和特征向量
(array([ 1.61168440e+01, -1.11684397e+00, -1.30367773e-15]), array([[-0.23197069, -0.78583024,  0.40824829], [-0.52532209, -0.08675134, -0.81649658],
       [-0.8186735 ,  0.61232756,  0.40824829]]))

• 方阵的逆

>>> z = np.array([[1, 2, 3], [4, 5, 1], [7, 8, 10]])
>>> np.linalg.inv(z)  // 方阵的逆
array([[-1.27272727, -0.12121212,  0.39393939],
       [ 1.        ,  0.33333333, -0.33333333],
       [ 0.09090909, -0.18181818,  0.09090909]])

• 方阵的伪逆

>>> np.linalg.pinv(z) // 方阵的伪逆
array([[-1.27272727, -0.12121212,  0.39393939],
       [ 1.        ,  0.33333333, -0.33333333],
       [ 0.09090909, -0.18181818,  0.09090909]])

• 计算OR分解

>>> np.linalg.qr(z)  // 计算OR分解
(array([[-0.12309149,  0.90453403,  0.40824829],
       [-0.49236596,  0.30151134, -0.81649658],
       [-0.86164044, -0.30151134,  0.40824829]]), array([[-8.12403840e+00, -9.60113630e+00, -9.47804481e+00],
       [ 0.00000000e+00,  9.04534034e-01,  7.10542736e-15],
       [ 0.00000000e+00,  0.00000000e+00,  4.49073120e+00]]))

• 计算奇异值分解(SVD)

>>> np.linalg.svd(z)  // 计算奇异值分解(SVD)
(array([[-0.22381562,  0.26366043, -0.93829086],
       [-0.34941657, -0.9204243 , -0.17529168],
       [-0.90984319,  0.28862136,  0.29813265]]), array([15.99977546,  3.55970061,  0.57941079]), array([[-0.49940602, -0.59209953, -0.63246483],
       [-0.3926418 , -0.49606132,  0.77443888],
       [ 0.77228624, -0.63509157, -0.01525298]]))

• 解线性方程组Ax=b,其中A为一个方阵

>>> A = np.array([[1, 2], [3, 4]])
>>> b = np.array([5, 6])
>>> np.linalg.solve(A, b)  // 解线性方程组Ax=b,其中A为一个方阵
array([-4. ,  4.5])

• 计算Ax=b的最小二乘解

>>> np.linalg.lstsq(A, b) // 计算Ax=b的最小二乘解
(array([-4. ,  4.5]), array([], dtype=float64), 2, array([5.4649857 , 0.36596619]))

输出：

1. a：数组类型，最小二乘解
2. residues：残差之和，b - ax中每一列的平方欧几里德范数；如果A的秩<A.shape[1]或者>A.shape[0]，则返回空数组；如果b是一维的，那么就是A(1,) 形状的数组，否则形状为(K, )
3. rank：整型，A的秩
4. s：数组类型，A的奇异值

matplotlib.pyplot画图函数

函数	说明
plt.plot(x, y, fmt, …)	绘制一个坐标图
plt.boxplot(data, notch, position)	绘制一个箱线图
plt.bar(left, height, width, bottom)	绘制一个条形图
plt.barh(width, bottom, left, height)	绘制一个横向条形图
plt.polar(theta, r)	绘制一个极坐标图
plt.pie(data, explode)	绘制饼图
plt.psd(x, NFFT=256, pas_to, Fs)	绘制功率谱密度图
plt.specgram(x, NFFT=256, pas_to, F)	绘制谱图
plt.cohere(x, y, NFFT=256, Fs)	绘制X-Y的相关性函数
plt.scatter(x, y)	绘制散点图， 其中，x和y长度相同
plt.step(x, y, where)	绘制步阶图
plt.hist(x, bins, normed)	绘制直方图
plt.contour(X, Y, Z, N)	绘制等值图
plt.vlines(x, bins, normed)	绘制垂直图
plt.stem(x, y, linefmt, markerfmt)	绘制柴火图
plt.plot_date()	绘制日期数据