一、场景
数据:
[[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]]
二、数组与数的运算
arr = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]]) arr + 1 arr / 2 # 可以对比python列表的运算,看出区别 a = [1,2,3,4,5] a * 3
三、数组与数组的运算
arr1 = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]]) arr2 = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])
上面这个能进行运算吗,结果是不行的!
四、广播机制
执行 broadcast 的前提在于,两个 ndarray 执行的是 element-wise的运算,而不是矩阵乘法的运算,矩阵乘法运算时需要维度之间严格匹配。Broadcast机制的功能是为了方便不同形状的array(numpy库的核心数据结构)进行数学运算
当操作两个数组时,numpy会逐个比较它们的shape(构成的元组tuple),只有在下述情况下,两个数组才能够进行数组与数组
- 维度相等
- shape(其中相对应的一个地方为1)
例如:
Image (3d array): 256 x 256 x 3 Scale (1d array): 3 Result (3d array): 256 x 256 x 3 A (4d array): 9 x 1 x 7 x 1 B (3d array): 8 x 1 x 5 Result (4d array): 9 x 8 x 7 x 5 A (2d array): 5 x 4 B (1d array): 1 Result (2d array): 5 x 4 A (2d array): 15 x 3 x 5 B (1d array): 15 x 1 x 1 Result (2d array): 15 x 3 x 5
如果是下面这样,则不匹配:
A (1d array): 10 B (1d array): 12 A (2d array): 2 x 1 B (3d array): 8 x 4 x 3
这样就可以运算了:
arr1 = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]]) arr2 = np.array([[1], [3]])
五、矩阵运算
现在再次回到上面的学生问题?
如何能够达到我们想要的效果,直接得出每个学生的成绩!!!!这是机器学习最常见的问题之一,如何进行数据运算
5.1、什么是矩阵
矩阵,英文matrix,和array的区别矩阵必须是2维的,但是array可以是多维的。
- np.mat()
- 将数组转换成矩阵类型
a = np.array([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]]) b = np.array([[0.7],[0.3]]) np.mat(a)
5.2、矩阵乘法运算
必须符合上面的式子,否则运算出错.
在进行矩阵运算的时候,可以直接使用一个乘法运算API
- mp.matmul
a = np.array([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]]) b = np.array([[0.7],[0.3]]) np.matmul(a, b)
5.3、矩阵应用场景
大部分机器学习算法需要用到