关于Numpy的进一步总结

下面把一些容易忘记的numpy操作重新总结一下：

array1 = np.array([3,4,1,7,45,6,15,37,1,25])
print(array1[array1>10])  # [45 15 37 25]
np.where(array1>10,0,array1)  # 这段把array1中大于10的数，全部重置为0，小于10的不变 a>b?a:b类似

下面给出一张数学计算中可能用到的表（需要说明的是一般默认轴是垂直方向，axis=1，是水平方向）：

线性代数的相关的计算，一般都是调用numpy中的子模块linalg进行计算：

下面给一个求特征值和特征向量的例子：

arr2 = np.array([[1,2,5],[3,6,8],[4,7,9]])
# 下面计算特征根和特征向量
x = np.linalg.eig(arr2)  # 元组的第一个元素是特征值，第二个元素是特征向量

(array([16.75112093, -1.12317544, 0.37205451]), array([[-0.30758888, -0.90292521, 0.76324346],
[-0.62178217, -0.09138877, -0.62723398],
[-0.72026108, 0.41996923, 0.15503853]]))

计算偏回归系数，这里就不赘述了：


多元回归模型最后可以表示为上面：
解方程也是更好用，给定上面这个方程组，来求解：
求解过程如上所示：

---

下面是随机数的一些函数总结：