python矩阵求逆_Python教程（六）

8 Numpy

Numpy(全名为Numerical Python)是Python数值计算最重要的基础包。大部分计算都是以Numpy的数据结构为基础的。

Numpy本身并没有很多高级的数据分析功能和算法，但理解Numpy的数组机器计算可以帮助我们使用其他的包。接下来，我将着重于介绍Nunmpy包比较常用的一些功能。

因为Anaconda自带Numpy包，所以我们可以直接使用Numpy包。在使用包之前，需要进行调用：

In [1]: import numpy as np

8.1 ndarray

这是Numpy包最常用的一个数据结构。你可以利用它来储存数据并执行一些数学计算，计算语法与数学运算符号很像。下面介绍关于ndarray的一些基础语法。

1. 创建ndarray

我们使用array函数创造ndarray。它可以接受基本的数据类型，并产生对应的ndarray数组。

In [2]: data1 = (1,2,3)

In [3]: arr1 = np.array(data1)

In [4]: arr1
Out[4]: array([1, 2, 3])

同时，多重的数据(比如列表里面还含有元组)会被转化成多维array：

In [5]: data2 = [(1,2,3),(4,5,6)]

In [6]: arr2 = np.array(data2)

In [7]: arr2
Out[7]:
array([[1, 2, 3],
       [4, 5, 6]])

还有一些常用的新建array的方法。

zeros和ones函数分别可以创建指定长度或形状的array。函数里面只需要写一个表示形状的元组即可。

In [8]: np.zeros(5)
Out[8]: array([0., 0., 0., 0., 0.])

In [9]: np.zeros((2,3))
Out[9]:
array([[0., 0., 0.],
       [0., 0., 0.]])
       
In [10]: np.ones((2,3))
Out[10]:
array([[1., 1., 1.],
       [1., 1., 1.]])

arange函数的功能和range函数功能是一样的：

In [11]: np.arange(5)
Out[11]: array([0, 1, 2, 3, 4])

eye函数可以生成的单位矩阵：

In [12]: np.eye(5)
Out[12]:
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

2. ndarray的运算

通过array运算，可以对数据进行批量运算，提高效率。

In [13]: a = np.ones((2,2))

In [14]: b = np.eye(2)

数组之间的加法：

In [15]: a + b
Out[15]:
array([[2., 1.],
       [1., 2.]])

减法：

In [16]: a - b
Out[16]:
array([[0., 1.],
       [1., 0.]])

array对应元素相乘(Hadamard乘法)：

In [17]: a * b
Out[17]:
array([[1., 0.],
       [0., 1.]])

数字与array相乘：

In [18]: 3 * a
Out[18]:
array([[3., 3.],
       [3., 3.]])

数字与array相除：

In [19]: a / 3
Out[19]:
array([[0.33333333, 0.33333333],
       [0.33333333, 0.33333333]])

array对应元素相除：

In [20]: b /(3*a)
Out[20]:
array([[0.33333333, 0.        ],
       [0.        , 0.33333333]])

矩阵乘法：

In [21]: a.dot(b)
Out[21]:
array([[1., 1.],
       [1., 1.]])

可以看到，array运算符号和数学运算其实差不多的。

8.2 矩阵

矩阵在数值计算中起到了很重要的作用，在多元统计中，更是涉及到了很多矩阵运算。numpy包也有对应操作方式。

生成矩阵：

In [22]: c = np.mat(np.array([[1,2,3],[4,5,6],[7,8,9]]))

In [23]: c
Out[23]:
matrix([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])

矩阵的加法，减法，乘法，对应元素相乘(Hadamard乘法)：

In [24]: d = np.mat(np.ones([3,3]))

In [25]: d
Out[25]:
matrix([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

In [26]: c + d
Out[26]:
matrix([[ 2.,  3.,  4.],
        [ 5.,  6.,  7.],
        [ 8.,  9., 10.]])

In [27]: c - d
Out[27]:
matrix([[0., 1., 2.],
        [3., 4., 5.],
        [6., 7., 8.]])

In [28]: c*d
Out[28]:
matrix([[ 6.,  6.,  6.],
        [15., 15., 15.],
        [24., 24., 24.]])

In [29]: np.multiply(c,d)
Out[29]:
matrix([[1., 2., 3.],
        [4., 5., 6.],
        [7., 8., 9.]])

矩阵转置：

In [30]: e = np.mat([[1,2,3],[4,5,6]])

In [31]: e
Out[31]:
matrix([[1, 2, 3],
        [4, 5, 6]])

In [32]: e.transpose()
Out[32]:
matrix([[1, 4],
        [2, 5],
        [3, 6]])

矩阵求逆：

In [33]: e.I
Out[33]:
matrix([[-0.94444444,  0.44444444],
        [-0.11111111,  0.11111111],
        [ 0.72222222, -0.22222222]])

提取矩阵对角线元素：

In [34]: np.diag(e)
Out[34]: array([1, 5])

In [35]: np.diag(np.diag(e))
Out[35]:
array([[1, 0],
       [0, 5]])

计算矩阵的迹：

In [36]: np.trace(c)
Out[36]: 15

8.3 基本统计方法

numpy包可以计算数据的基本统计量，比如均值、标准差等等。

计算数据的和：

In [34]: e.sum()
Out[34]: 21

计算数据的均值：

In [35]: e.mean()
Out[35]: 3.5

计算数据的标准差：

In [36]: e.std()
Out[36]: 1.707825127659933

计算数据的方差：

In [37]: e.var()
Out[37]: 2.9166666666666665

计算数据的最小值：

In [38]: e.min()
Out[38]: 1

计算数据的最大值：

In [39]: e.max()
Out[39]: 6

计算数据最小值所在的位置(索引)：

In [40]: e.argmin()
Out[40]: 0

计算数据最大值所在的位置(索引)：

In [41]: e.argmax()
Out[41]: 5

需要注意的是，如果在括号里面加0，那么就是计算每列对应的统计量；在括号里面加入1，计算的就是每行对应的统计量。下面以mean函数为例：

In [42]: e.mean(0)
Out[42]: matrix([[2.5, 3.5, 4.5]])

In [43]: e.mean(1)
Out[43]:
matrix([[2.],
        [5.]])

8.4 例子

为了测量某种橡胶的性能，随机抽取5个样品，测量其三项指标：硬度，变形和弹性，数据如下：

No.	硬度	变形	弹性
1	65	45	27.6
2	70	45	30.7
3	70	48	31.8
4	69	46	32.6
5	66	50	30.1

下面利用Numpy，这个数据进行简单的统计分析：生成样本数据矩阵：

In [44]: X = np.mat([[ 65,45,27.6],[70,45,30.7],[ 70,48,31.8],[69,46,32.6],[66,50,30.1]])

In [45]: X
Out[45]:
matrix([[65. , 45. , 27.6],
        [70. , 45. , 30.7],
        [70. , 48. , 31.8],
        [69. , 46. , 32.6],
        [66. , 50. , 30.1]])

计算每个变量的均值，方差，最大值，最小值：

In [46]: X.mean(0)
Out[46]: matrix([[68.  , 46.8 , 30.56]])

In [47]: X.var(0)
Out[47]: matrix([[4.4   , 3.76  , 2.9384]])

In [48]: X.max(0)
Out[48]: matrix([[70. , 50. , 32.6]])

In [49]: X.min(0)
Out[49]: matrix([[65. , 45. , 27.6]])

计算样本离差阵。样本离差阵有如下的表达式，本例子中:

In [50]: I5 = np.mat(np.eye(5))

In [51]: I5
Out[51]:
matrix([[1., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.],
        [0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 1.]])

In [52]: V = X.transpose()*(I5 - 0.2*np.mat(np.ones([5,5])))*X

In [53]: V
Out[53]:
matrix([[22.   , -3.   , 14.6  ],
        [-3.   , 18.8  ,  3.46 ],
        [14.6  ,  3.46 , 14.692]])

计算样本协方差阵:

In [54]: S = V/4

In [55]: S
Out[55]:
matrix([[ 5.5  , -0.75 ,  3.65 ],
        [-0.75 ,  4.7  ,  0.865],
        [ 3.65 ,  0.865,  3.673]])

8.5 生成随机数

Numpy中可以生成各种分布的随机数，下面是一些常用的功能：

rand(size)：产生个数为n的0到1均匀分布随机数

In [56]: np.random.rand(10)
Out[56]:
array([0.23165881, 0.8150714 , 0.04643356, 0.27011201, 0.25915723,
       0.28692941, 0.59688985, 0.89441119, 0.43267711, 0.30990133])

randn(n)：产生个数为n的标准正态分布随机数

In [57]: np.random.randn(10)
Out[57]:
array([-1.07608846, -0.88521711,  0.53930381,  0.77248565, -1.08053865,
       -1.04894814,  1.17795406, -1.58509011,  0.94604111,  0.47238522])

permutation(x)：对数据x进行随机排列

In [58]: np.random.permutation((1,2,4,5,6))
Out[58]: array([2, 5, 4, 1, 6])

binomial(n,p,s)：生成s个参数为n和p的二项分布

In [59]: np.random.binomial(10,0.5,10)
Out[59]: array([5, 3, 5, 7, 6, 5, 5, 8, 3, 7])

poisson(lambda,s)：生成s个参数为lambda的泊松分布随机数

In [60]: np.random.poisson(2,5)
Out[60]: array([3, 2, 1, 1, 3])

normal(mu,sigma,s)生成s个均值为mu，方差为sigma的正态分布随机数

In [61]: np.random.normal(10,5,10)
Out[61]:
array([ 3.16270262,  3.36088429, 16.03967109,  9.47283597, 17.73490876,
        8.07676842, 11.98387286, 12.5266739 ,  7.23715431,  6.58819786])

chisqure(df,s)：生成s个自由度为df的卡方分布随机数

In [62]: np.random.chisquare(10,5)
Out[62]: array([10.54537798, 15.45366609, 12.46449898,  3.32914182,  5.80333844])

exponential(beta,s)：生成s个参数为beta的指数分布随机数

In [63]: np.random.exponential(2,5)
Out[63]: array([1.841277  , 0.10434423, 0.54741996, 0.90809302, 3.35438231])

f(dfnum,dfden,s)：生成s个自由度为dfnum和dfden的F分布随机变量

In [64]: np.random.f(2,5,3)
Out[64]: array([3.07168471, 0.20399149, 0.03073576])

gamma(alpha,beta,s)：生成s个参数为alpha和beta的Gamma分布随机数

In [65]: np.random.gamma(1,2,3)
Out[65]: array([0.35356705, 2.47014576, 1.51165879])

8.6 例子

做标准正态分布随机数的直方图。

我们生成10000标准正态分布随机数，利用直方图来模拟标准正态分布的密度函数图像

In [66]: import matplotlib.pyplot as plt

In [67]: normal1 = np.random.randn(10000)

In [68]: plt.hist(normal1,bins = 50)

In [69]: plt.show()

得到的结果如下：