Task 1 思维导图
一、python基础
1、列表推导式和条件赋值
列表推导式:在一定的Python语法基础上实现语句的简化操作,可以利用列表推导式进行写法上的简化: [* for i in *]
。其中,第一个 *
为映射函数,其输入为后面 i
指代的内容,第二个 *
表示迭代的对象。
def my_func(x):
return x ^ 2
# 结果如下
[0, 1, 4, 9, 16]
## 列表推导式
[myfunc(i) for i in range(5)]
# 结果如下
[0, 1, 4, 9, 16]
列表表达式也支持多层嵌套。
条件赋值:其形式为 value = a if condition else b。
value = 2 if 1 > 0 else 3
## value的结果如下
2
条件赋值也可结合列表使用。
2、匿名函数与map方法
匿名函数:使用lambda关键字来实现其作用。
[(lambda x : x * x)(i) for i in range(5)]
## 结果如下
[0, 1, 4, 9, 16]
map方法:对于上述的这种列表推导式的匿名函数映射, Python
中提供了 map
函数来完成,它返回的是一个 map
对象,需要通过 list
转为列表。
list(map(lambda x: 2*x, range(5)))
## 结果
[0, 2, 4, 6, 8]
3、zip对象与enumerate方法
zip对象:zip函数能够把多个可迭代对象打包成一个元组构成的可迭代对象,它返回了一个 zip
对象,通过 tuple, list
可以得到相应的打包结果。
L1, L2, L3 = list('abc'), list('def'), list('hij')
list(zip(L1, L2, L3))
## 结果
[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
tuple(zip(L1, L2, L3))
## 结果
(('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j'))
经常在循环迭代的时候使用到 zip
函数:
for i, j, k in zip(L1, L2, L3):
print(i, j, k)
## 结果
a d h
b e i
c f j
对两个列表建立字典映射时,也可以利用 zip
对象:
dict(zip(L1, L2))
## 结果
{'a': 'd', 'b': 'e', 'c': 'f'}
有了压缩函数,那么 Python
也提供了 *
操作符和 zip
联合使用来进行解压操作:
zipped = list(zip(L1, L2, L3))
zipped
## 结果
[('a', 'd', 'h'), ('b', 'e', 'i'), ('c', 'f', 'j')]
list(zip(*zipped)) # 三个元组分别对应原来的列表
## 结果
[('a', 'b', 'c'), ('d', 'e', 'f'), ('h', 'i', 'j')]
enumerate:
是一种特殊的打包,它可以在迭代时绑定迭代元素的遍历序号:
L = list('abcd')
for index, value in enumerate(L):
print(index, value)
## 结果
0 a
1 b
2 c
3 d
二、Numpy基础
1.np数组的构造
最常使用的方法是通过rarray来构造。
np.array([1,2,3])
## 结果
array([1, 2, 3])
下面是一些特殊数组的生成方式:
1)等差序列: np.linspace, np.arange
np.linspace(1,5,11) # 参数意义: 起始、终止(包含)、样本个数
## 结果
array([1. , 1.4, 1.8, 2.2, 2.6, 3. , 3.4, 3.8, 4.2, 4.6, 5. ])
np.arange(1,5,2) # 参数意义: 起始、终止(不包含)、步长
## 结果
array([1, 3])
2)特殊矩阵: zeros, eye, full
np.full(矩阵维度,填充数值)
:构造一个指定维度的矩阵,使用指定数值进行填充,也可传入列表填充每列的值。
np.zeros((2,3)) # 传入元组表示各维度大小
## 结果
array([[0., 0., 0.],
[0., 0., 0.]])
np.eye(3) # 3*3的单位矩阵
## 结果
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
np.eye(3, k=1) # 偏移主对角线1个单位的伪单位矩阵
## 结果
array([[0., 1., 0.],
[0., 0., 1.],
[0., 0., 0.]])
np.full((2,3), 10) # 元组传入大小,10表示填充数值
## 结果
array([[10, 10, 10],
[10, 10, 10]])
np.full((2,3), [1,2,3]) # 通过传入列表填充每列的值
## 结果
array([[1, 2, 3],
[1, 2, 3]])
3)随机矩阵: np.random
最常用的随机生成函数为 rand, randn, randint, choice。
rand:
表示0-1均匀分布的随机数组randn
:标准正态的随机数组randint
:随机整数组choice
:随机列表抽样(参数:replace = True 为可放回抽样,False 为不可放回抽样)
例子如下:
np.random.rand(3) # 生成服从0-1均匀分布的三个随机数
## 结果
array([0.33475955, 0.95078732, 0.05285509])
np.random.rand(3, 3) # 注意这里传入的不是元组,每个维度大小分开输入
## 结果
array([[0.1188322 , 0.51993935, 0.73054809],
[0.97169376, 0.72724319, 0.84687781],
[0.18001319, 0.8011098 , 0.05113275]])
# 对于服从区间 a 到 b 上的均匀分布
a, b = 5, 15
(b - a) * np.random.rand(3) + a
## 结果
array([ 9.67438882, 12.49445466, 6.51381903])
# randn 生成了 N(0,I) 的标准正态分布
np.random.randn(3)
## 结果
array([ 0.91321097, -0.02203455, 0.44235296])
np.random.randn(2, 2)
## 结果
array([[ 0.49897634, -1.57842429],
[-0.09213398, 0.00613158]])
# 对于服从方差为 σ2 均值为 μ 的一元正态分布
sigma, mu = 2.5, 3
mu + np.random.randn(3) * sigma
## 结果
array([5.89540275, 2.56563403, 1.56208693])
choice
可以从给定的列表中,以一定概率和方式抽取结果,当不指定概率时为均匀采样,默认抽取方式为有放回抽样,即参数:replace = True 为可放回抽样,False 为不可放回抽样。
当返回的元素个数与原列表相同时,等价于使用 permutation
函数,即打散原列表
np.random.permutation(my_list)
## 结果
array(['d', 'c', 'a', 'b'], dtype='<U1')
4)随机种子:它能够固定随机数的输出结果。
np.random.seed(0)
np.random.rand()
## 结果
0.5488135039273248
np.random.seed(0)
np.random.rand()
## 结果
0.5488135039273248
2.np数组的变形与合并
1)转置:T
2)合并操作: r_, c_
- 对于二维数组而言,
r_
和c_
分别表示上下合并和左右合并。 - 在一维数组和二维数组进行合并的情况下,应当把其视作列向量,在长度匹配的情况下只能够使用左右合并的
c_
操作。举例如下:
np.r_[np.array([0,0]),np.zeros(2)]
## 结果
array([0., 0., 0., 0.])
np.c_[np.array([0,0]),np.zeros((2,3))] # 将array([0,0])看作列向量,再进行左合并
## 结果
array([[0., 0., 0., 0.],
[0., 0., 0., 0.]])
3)维度变换: reshape
reshape
能够帮助用户把原数组按照新的维度重新排列。有如下两种模式:
C
模式,以逐行的顺序进行填充读取。-
F
模式,以逐列的顺序进行填充读取。
target = np.arange(8).reshape(2,4)
target
## 结果
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
target.reshape((4,2), order='C') # 按照行读取和填充
## 结果
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
target.reshape((4,2), order='F') # 按照列读取和填充
## 结果
array([[0, 2],
[4, 6],
[1, 3],
[5, 7]])
特别地,由于被调用数组的大小是确定的, reshape 允许有一个维度存在空缺,此时只需填充-1即可。也就是说,数组的大小是确定的,知道行数,就能够确定列数;反之,知道列数,也能确定行数。
3. np数组的切片与索引
数组的切片模式支持使用 slice
类型的 start:end:step
切片(参数意义即 开始位置:结束位置:步长),还可以直接传入列表指定某个维度的索引进行切片。
target = np.arange(9).reshape(3,3)
target
## 结果
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
target[:-1, [0,2]] # 逗号用来分开维度, :-1 指从第一个维度的第一个数到倒数第二个数
## 结果 # [0,2] 表示第二个维度的第一列和第三列
array([[0, 2],
[3, 5]])
4.常用函数
下面列举一些常用的函数:
-
where:一种条件函数,可以指定满足条件与不满足条件位置对应的填充值。
np.where(a>0, a, 5) ,对应位置为True时填充a对应元素,否则填充5
-
nonzero:返回非零数的索引
-
argmax:返回最大的索引
-
argmin:返回最小数的索引
-
any:指当序列至少 存在一个
True
或非零元素时返回True
,否则返回False
-
all:指当序列元素 全为
True
或非零元素时返回True
,否则返回False
-
cumprod:表示累乘函数,返回同长度的数组
-
cumsum:表示累加函数,返回同长度的数组
-
diff:表示和前一个元素做差,由于第一个元素为缺失值,因此在默认参数情况下,返回长度是原数组减1
还有一些常用的统计函数:
max:最大值
min:最小值
mean:均值
median:中位数
std:标准差
var:方差
sum:求和
quantile:四分之几分位数
- cov:协方差
- corrcoef:相关系数
5.广播机制
1)广播机制用于处理两个不同维度数组之间的操作
2)当一个标量和数组进行运算时,标量会自动把大小扩充为数组大小,之后进行逐元素操作
3)当二维数组a
和b
进行操作时,两个数组维度完全一致时,对应元素进行相关操作,维度不一致时报错。但是,当其中每个数组是m×1
或者 1×n
时,把1这个维度
扩充到另一个数组对应维度大小后进行计算。
res = np.ones((3,2))
res
## 结果
array([[1., 1.],
[1., 1.],
[1., 1.]])
res * np.array([[2,3]]) # 扩充第一维度为3
## 结果
array([[2., 3.],
[2., 3.],
[2., 3.]])
res * np.array([[2],[3],[4]]) # 扩充第二维度为2
## 结果
array([[2., 2.],
[3., 3.],
[4., 4.]])
res * np.array([[2]]) # 等价于两次扩充
## 结果
array([[2., 2.],
[2., 2.],
[2., 2.]])
6.向量与矩阵的计算
- 向量内积:
dot
- 向量范数和矩阵范数:
np.linalg.norm
- 矩阵乘法:
@
三、练习
# 最外层循环在最右边
# 两个矩阵相乘 【2,3】* 【3,4】 = 【2,4】 类似于这样的【【 , , ,】,【 , , , 】】
# 外面两层循环表示的是二维矩阵的行标和列标进行对应法则的相乘,
# 最里面一层循环表示的是对相乘矩阵再进行求和。
# 只不过 最里面的一层循环是放在 sum() 函数里面进行的
res = [[sum([M1[i][k] * M2[k][j] for k in range(M1.shape[1])]) for j in range(M2.shape[1])] for i in range(M1.shape[0])]
res
[[1.1650640931571854,
1.2547181565812449,
0.9590145951545355,
0.9488091282003532],
[1.2725522615844083,
1.409747599639991,
1.0768864923004082,
1.1334836896947502]]
(np.abs((M1 @ M2 - res) < 1e-15)).all() # 排除数值误差
## 答案
True
A = np.arange(1,10).reshape(3,3)
A
## 结果
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
1/A
## 结果
array([[1. , 0.5 , 0.33333333],
[0.25 , 0.2 , 0.16666667],
[0.14285714, 0.125 , 0.11111111]])
(1/A).sum(1) # 参数:axis = 0 对列求和,axis = 1 对行求和
## 结果
array([1.83333333, 0.61666667, 0.37896825])
(1/A).sum(1).reshape(-1, 1) # 对行的求和 进行广播机制(和转置的效果一样) 成 三行一列,再与矩阵A相乘,可得出结果
## 结果
array([[1.83333333],
[0.61666667],
[0.37896825]])
A * (1/A).sum(1).reshape(-1, 1)
## 结果
array([[1.83333333, 3.66666667, 5.5 ],
[2.46666667, 3.08333333, 3.7 ],
[2.65277778, 3.03174603, 3.41071429]])
37/12
## 结果
3.0833333333333335
np.random.seed(0)
A = np.random.randint(10, 20, (8, 5))
A
## 结果
array([[15, 10, 13, 13, 17],
[19, 13, 15, 12, 14],
[17, 16, 18, 18, 11],
[16, 17, 17, 18, 11],
[15, 19, 18, 19, 14],
[13, 10, 13, 15, 10],
[12, 13, 18, 11, 13],
[13, 13, 17, 10, 11]])
A.sum(0) # 列求和
## 结果
array([120, 111, 129, 116, 101])
A.sum(1) # 行求和
## 结果
array([68, 73, 80, 79, 85, 61, 67, 64])
A.sum(0) * (A.sum(1).reshape(-1,1)) # 广播转换
## 保留原来的行和列 [8, 5]
## 结果
array([[ 8160, 7548, 8772, 7888, 6868],
[ 8760, 8103, 9417, 8468, 7373],
[ 9600, 8880, 10320, 9280, 8080],
[ 9480, 8769, 10191, 9164, 7979],
[10200, 9435, 10965, 9860, 8585],
[ 7320, 6771, 7869, 7076, 6161],
[ 8040, 7437, 8643, 7772, 6767],
[ 7680, 7104, 8256, 7424, 6464]])
B = (A.sum(0) * (A.sum(1).reshape(-1,1)))/A.sum() # 即求出B[i][j]
B
## 结果
array([[14.14211438, 13.08145581, 15.20277296, 13.67071057, 11.90294627],
[15.18197574, 14.04332756, 16.32062392, 14.67590988, 12.77816291],
[16.63778163, 15.38994801, 17.88561525, 16.08318891, 14.0034662 ],
[16.42980936, 15.19757366, 17.66204506, 15.88214905, 13.82842288],
[17.67764298, 16.35181976, 19.0034662 , 17.08838821, 14.87868284],
[12.68630849, 11.73483536, 13.63778163, 12.26343154, 10.67764298],
[13.93414211, 12.88908146, 14.97920277, 13.46967071, 11.72790295],
[13.3102253 , 12.31195841, 14.3084922 , 12.86655113, 11.20277296]])
((A - B) ** 2 / B).sum() # 最后求和
## 结果
11.842696601945802
分析公式有:
# 运行函数
def solution(B=B, U=U, Z=Z):
L_res = []
for i in range(m):
for j in range(n):
norm_value = ((B[i]-U[:,j])**2).sum()
L_res.append(norm_value*Z[i][j])
return sum(L_res)
solution(B, U, Z)
## 结果
199919
(B ** 2).sum(1)
## 结果
array([30, 26, 26, 19, 23, 28, 32, 28, 27, 23, 21, 27, 25, 28, 26, 22, 27,
27, 24, 15, 21, 25, 24, 26, 22, 29, 27, 31, 30, 25, 27, 25, 27, 24,
25, 24, 21, 28, 25, 29, 24, 22, 24, 25, 25, 25, 33, 27, 25, 25, 29,
21, 28, 31, 24, 26, 26, 24, 32, 28, 22, 27, 31, 27, 24, 20, 23, 25,
25, 29, 20, 22, 24, 29, 27, 23, 30, 20, 25, 24, 26, 26, 26, 15, 29,
30, 31, 30, 28, 30, 24, 16, 25, 20, 26, 28, 20, 23, 28, 23],
dtype=int32)
# B U Z 的行列分别是: B:(100, 50) U:(50, 80) Z:(100, 80)
((B**2).sum(1).reshape(-1,1) + (U**2).sum(0) - 2*B@U)*Z # (B**2).sum(1) :(100,1)
# (U**2).sum(0): (80,1)
# 广播之后 变成(100, 80)正好与 Z(100,80) 相符合,可做乘法
## 结果
array([[25, 22, 31, ..., 58, 0, 0],
[ 0, 26, 42, ..., 0, 0, 24],
[54, 0, 42, ..., 23, 0, 0],
...,
[24, 0, 36, ..., 0, 26, 0],
[50, 26, 0, ..., 0, 23, 24],
[52, 54, 0, ..., 72, 44, 0]])
(((B**2).sum(1).reshape(-1,1) + (U**2).sum(0) - 2*B@U)*Z).sum()
## 结果
199919
两者方法的时间性能比较:
%timeit -n 30 solution(B, U, Z)
## 结果
38.6 ms ± 887 µs per loop (mean ± std. dev. of 7 runs, 30 loops each)
%timeit -n 30 ((np.ones((m,n))*(B**2).sum(1).reshape(-1,1) + np.ones((m,n))*(U**2).sum(0) - 2*B@U)*Z).sum()
## 结果
533 µs ± 34.4 µs per loop (mean ± std. dev. of 7 runs, 30 loops each)
在时间上区别还是比较明显的。
用匿名函数来表达:
总结:
学习不容易啊,尤其是练习题,看不太懂,都是看着视频的讲解还是很勉强理解一点点。加油加油加油!!!