机器学习和数据分析-numpy中的矩阵运算

numpy把一维数组当做向量，二维数组当做矩阵

1.启动jupyter notebook

2.创建一个新的notebook，并导入numpy模块

3.定义一个数组

#1.定义一个数组a
a = np.array([0,1,2])
a
#结果：array([0, 1, 2])

#2.将a乘以2
a*2
#结果：array([0, 2, 4])

#3.定义一个列表a
a = [0,1,2]

#4.将一个列表乘以2
a*2
#结果：[0, 2, 4, 0, 2, 4]

运行效果如下：

4.导入Python中的array

import array
array.array('i',[0,2,4]) * 2
#结果：array('i', [0, 2, 4, 0, 2, 4])

运行效果如下：

5.Python中的列表

#1.使用列表推导式对列表做乘法
a = [0, 2, 4]
[i*2 for i in a]
#结果：[0, 4, 8]

#2.使用for循环对列表做乘法
res = []
for i in a:
    res.append(i * 2)
res
#结果：[0, 4, 8]

运行效果如下：

6.分别测试他们的性能

#1.定义一个数据范围data
data = range(10**6)
data
#结果：range(0, 1000000)

#2.测试for循环生成列表的时间
%%time
res = []
for i in data:
    res.append(i * 2)
#结果：Wall time: 429 ms

#3.测试列表推导式的时间
%time res = [i*2 for i in data]
#结果：Wall time: 257 ms

#4.测试np.array的时间
arr = np.array(data)
%time res = arr * 2
#结果：Wall time: 34 ms

运行效果图如下：

7.向量的加减乘除

#1.定义一个一维数组（向量）a
a = np.array([0,2,4])
a
#结果：array([0, 2, 4])

#2.加法
a+2
#结果：array([2, 4, 6])

#3.减法
a-2
#结果：array([-2,  0,  2])

#4.乘法
a*2
#结果：array([0, 4, 8])

#4.除法
a/2
#结果：array([0., 1., 2.])

 运行效果如下：

8.矩阵的运算

#1.定义一个矩阵
X = np.arange(1,16).reshape(3,5)
X.shape
#结果:(3, 5)
X
#结果：rray([[ 1,  2,  3,  4,  5],
#          [ 6,  7,  8,  9, 10],
#          [11, 12, 13, 14, 15]])

#2.加法
X+1
#结果：array([[ 1,  0,  1,  2,  3],
#            [ 4,  5,  6,  7,  8],
#            [ 9, 10, 11, 12, 13]])

#3.绝对值
np.abs(X - 2)
#结果：array([[ 1,  0,  1,  2,  3],
#            [ 4,  5,  6,  7,  8],
#            [ 9, 10, 11, 12, 13]])

#4.正弦
np.sin(X)
#结果：array([[ 0.84147098,  0.90929743,  0.14112001, -0.7568025 , -0.95892427],
#           [-0.2794155 ,  0.6569866 ,  0.98935825,  0.41211849, -0.54402111],
#           [-0.99999021, -0.53657292,  0.42016704,  0.99060736,  0.65028784]])

#5.余弦
np.cos(X)
#结果：array([[ 0.54030231, -0.41614684, -0.9899925 , -0.65364362,  0.28366219],
#            [ 0.96017029,  0.75390225, -0.14550003, -0.91113026, -0.83907153],
#            [ 0.0044257 ,  0.84385396,  0.90744678,  0.13673722, -0.75968791]])

#6.正切
np.tan(X)
#结果：array([[ 1.55740772e+00, -2.18503986e+00, -1.42546543e-01,
#              1.15782128e+00, -3.38051501e+00],
#            [-2.91006191e-01,  8.71447983e-01, -6.79971146e+00,
#             -4.52315659e-01,  6.48360827e-01],
#            [-2.25950846e+02, -6.35859929e-01,  4.63021133e-01,
#             7.24460662e+00, -8.55993401e-01]])

#7.e的X次方
np.exp(X)
#结果：array([[2.71828183e+00, 7.38905610e+00, 2.00855369e+01, 5.45981500e+01,
#             1.48413159e+02],
#            [4.03428793e+02, 1.09663316e+03, 2.98095799e+03, 8.10308393e+03,
#             2.20264658e+04],
#            [5.98741417e+04, 1.62754791e+05, 4.42413392e+05, 1.20260428e+06,
#             3.26901737e+06]])
#导入e,验证上面的值
from math import e
e**2
#结果：7.3890560989306495

#8.以3为底，取X次方
np.power(3,X)
#结果：array([[       3,        9,       27,       81,      243],
#            [     729,     2187,     6561,    19683,    59049],
#            [  177147,   531441,  1594323,  4782969, 14348907]], dtype=int32)  
3 ** X
#结果：同上

#9.以e为底，求X的对数
np.log(X)
#结果：array([[0.        , 0.69314718, 1.09861229, 1.38629436, 1.60943791],
#            [1.79175947, 1.94591015, 2.07944154, 2.19722458, 2.30258509],
#            [2.39789527, 2.48490665, 2.56494936, 2.63905733, 2.7080502 ]])
e **  0.69314718
#结果：1.9999999988801092

#10.以2为底，求X的对数
np.log2(X)
#结果：array([[0.        , 1.        , 1.5849625 , 2.        , 2.32192809],
#            [2.5849625 , 2.80735492, 3.        , 3.169925  , 3.32192809],
#            [3.45943162, 3.5849625 , 3.70043972, 3.80735492, 3.9068906 ]])

#11.以10为底，求X的对数
np.log10(X)
#结果：array([[0.        , 0.30103   , 0.47712125, 0.60205999, 0.69897   ],
#            [0.77815125, 0.84509804, 0.90308999, 0.95424251, 1.        ],
 #           [1.04139269, 1.07918125, 1.11394335, 1.14612804, 1.17609126]])

运效果图如下：

 

 

 

9.矩阵和矩阵之间的运算

#1.定义两个矩阵A和B
A = np.arange(4).reshape(2,-1)
A
#结果：array([[0, 1],
#            [2, 3]])
B = np.full((2,2),10)
B
#结果：array([[10, 10],
#             [10, 10]])

#2.加法
A+B
#结果：array([[10, 11],
#            [12, 13]])

#3.减法
A-B
#结果：array([[-10,  -9],
#            [ -8,  -7]])

#4.乘法
A*B
#结果：array([[ 0, 10],
#            [20, 30]])

#5.除法
A/B
#结果：array([[0. , 0.1],
#            [0.2, 0.3]])

 运行效果图如下：

10.矩阵的乘积

#1.定义矩阵A和矩阵B
A
#结果：array([[0, 1],
#            [2, 3]])
B = np.array([10,20,30,40]).reshape(2,-1)
B
#结果：array([[10, 20],
#            [30, 40]])

#2.求矩阵的乘积
A.dot(B)
#结果：array([[ 30,  40],
#            [110, 160]])

运行效果图如下：

 

11.矩阵的逆

#1.输出A矩阵
A
#结果：array([[0, 1],
#             [2, 3]])

#2.求A矩阵的逆矩阵
invA = np.linalg.inv(A)
invA
#结果：array([[-1.5,  0.5],
#            [ 1. ,  0. ]])

#3.原矩阵乘以逆矩阵，得到单位矩阵
A.dot(invA)
#结果：array([[1., 0.],
#            [0., 1.]])

#4.逆矩阵乘以原矩阵，得到单位矩阵
invA.dot(A)
#结果：array([[1., 0.],
#            [0., 1.]])

#5.定义一个非方阵A
A = np.arange(6).reshape(2,-1)
A
#结果：array([[0, 1, 2],
#            [3, 4, 5]])

#6.求非方阵A的逆矩阵，报错
np.linalg.inv(A)
#结果：raise LinAlgError('Last 2 dimensions of the array must be square')

#7.求矩阵A的伪逆矩阵
pinvA = np.linalg.pinv(A)
pinvA
#结果：array([[-0.77777778,  0.27777778],
#            [-0.11111111,  0.11111111],
#            [ 0.55555556, -0.05555556]])

#8.原矩阵乘以伪逆矩阵
A.dot(pinvA)
#结果：array([[ 1.00000000e+00, -1.38777878e-16],
#            [ 3.10862447e-15,  1.00000000e+00]])

运行效果图如下：

 

 

12.矩阵的转置

#1.重新输出矩阵A
A
#结果：array([[0, 1, 2],
#             [3, 4, 5]])

#2.矩阵的转置
A.T
#结果：array([[0, 3],
#            [1, 4],
#            [2, 5]])

运行效果图如下：