机器学习手册-（向量、矩阵和数组）（一）

吃掉鹅咩里啃

已于 2023-09-28 17:48:04 修改

阅读量104

点赞数 4

文章标签：机器学习矩阵人工智能 numpy

于 2023-09-22 02:51:35 首次发布

本文链接：https://blog.csdn.net/weixin_64346531/article/details/133128901

版权

写作前言：

1.本文章的写作顺序和Chris Albon[美]《Python机器学习手册-从数据预处理到深度学习》(Machine Learning with Python Cookbook)相似。但是我会添加自己的想法和总结，并简化内容。如有侵权，请及时联系我删除文章。至此，由衷感谢该书提供指导。

2.文章篇幅比较大，文章分为以下章节：

-- 1. 向量、矩阵和数组

-- 2. 加载数据

-- 3. 数据整理

-- 4. 处理数值型数据

-- 5. 处理分类数据

-- 6. 处理文本

-- 7. 处理日期和时间

-- 8. 图像处理

-- 9. 使用特征提取进行特征降维

-- 10. 使用特征选择进行降维

-- 11. 模型评估

-- 12. 模型选择

-- 13. 线性回归

-- 14. 树和森林

-- 15. KNN

-- 16. 逻辑回归

-- 17. 支持向量机

-- 18. 朴素贝叶斯

-- 19. 聚类

-- 20. 神经网络

3.文章归纳了在机器学习中所常遇见的方法，只上应用实例。如果想要查询方法的参数以及更多的使用方法，请读者前往官方查询。

4.基于笔者能力有限以及写作文章篇幅过大，写作未免有疏漏错误，还请读者大胆提出来，笔者愿意接受读者的批评指正。

5.所有代码的运行环境基于所需模块的版本详细：

- python 3.8.8

- numpy 1.22.4

- scikit-learn 1.2.2

- pandas 1.3.5

- matplotlib 3.3.4

在机器学习中，矩阵和向量可谓是我们最为经常接触的数据结构了。

Numpy是Python的第三方模块，支持对矩阵的操作和运算并提供了许多数学运算模块。

在机器学习中，Numpy并不是占据主导地位，但是我们仍需要掌握Numpy的基础，以便后续对矩阵的操作。

1.创建向量和矩阵

01	自由创建向量/矩阵	np.array()方法
02	指定范围创建向量/矩阵	np.arange()方法
03	创建全零向量/矩阵	np.zeros()方法
04	创建全一向量/矩阵	np.ones()方法

import numpy as np

""" 创建行向量 """
rowVector = np.array([1,2,3])

""" 创建列向量 """
columnVector = np.array([[1],
                         [2],
                         [3]])

""" 创建3*3矩阵,方法一 """
matrix1 = np.array([[1,2,3],
                    [4,5,6],
                    [7,8,9]])

""" 创建3*3矩阵,方法二 """
matrix2 = np.arange(1,10,1).reshape(3,3)
print(matrix2)
# >>>
"""
[[1 2 3]
 [4 5 6]
 [7 8 9]]
"""

# 拓展：
import numpy as np

""" 创建全一矩阵 """
matrix3 = np.ones([3,3])
print(matrix3)
# >>>
"""
[[1 1 1]
 [1 1 1]
 [1 1 1]]
"""

""" 创建全零矩阵 """
matrix4 = np.zeros([3,3])
print(matrix4)
# >>>
"""
[[0 0 0]
 [0 0 0]
 [0 0 0]]
"""

2.矩阵数据的增删改查

矩阵增加操作

np.concatenate()方法

矩阵删除操作

切片赋值法

矩阵修改操作

指定索引法

矩阵查询操作

查询最大值	np.max()方法
查询最小值	np.min()方法
查询指定位置	指定索引法

2.1 增加操作

import numpy as np

""" 向矩阵右边添加一组行向量 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

# 设置想要链接的列向量
newColumn = np.array([[10],[11],[12]])

# 指定连接矩阵和轴
newMatrix = np.concatenate((matrix,newColumn),axis = 1)
print(newMatrix)
# >>>
"""
[[ 1  2  3 10]
 [ 4  5  6 11]
 [ 7  8  9 12]]
"""

2.2 删除操作

import numpy as np

""" 删除最右边的列向量 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

# 采取切片赋值的方法实现删除数据
newMatrix = matrix[:,:-1]
print(newMatrix)
# >>>
"""
[[1 2]
 [4 5]
 [7 8]]
"""

2.3 修改操作

import numpy as np

""" 修改第1行第1列的值 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

# 采取指定索引的方法实现修改数据
matrix[0,0] = 6
print(matrix)
# >>>
"""
[[6 2 3]
 [4 5 6]
 [7 8 9]]
"""

2.4 查询操作

import numpy as np

# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

""" 查询最大值 """
print(np.max(matrix))
# >>>
"""
9
"""

""" 查询最小值 """
print(np.min(matrix))
# >>>
"""
1
"""

""" 找到每一列最大的元素 """
print(np.max(matrix,axis=0))
# >>>
"""
[7 8 9]
"""

""" 找到每一行最大的元素 """
print(np.max(matrix,axis=1))
# >>>
"""
[3 6 9]
"""

""" 查看第一行第一列的值 """
print(matrix[0,0])
# >>>
"""
1
"""

3.展示矩阵的属性

01	查询矩阵形状	shape属性
02	查询矩阵元素数量	size属性
03	查询矩阵维数	ndim属性
04	查询矩阵的秩	np.linalg.matrix_rank()方法
05	查询矩阵的秩	trace()方法

3.1 矩阵的形状

import numpy as np

""" 查看矩阵的形状 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(matrix.shape)
# >>>
"""
(3,3)
"""

3.2 矩阵的元素数量

import numpy as np

""" 查看矩阵的元素数量 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(matrix.size)
# >>>
"""
9
"""

3.3 矩阵的维数

import numpy as np

""" 查看矩阵的维数 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(matrix.ndim)
# >>>
"""
2
"""

3.4 矩阵的秩

import numpy as np

""" 查看矩阵的秩 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(np.linalg.matrix_rank(matrix))
# >>>
"""
2
"""

3.5 矩阵的迹

import numpy as np

""" 查看矩阵的迹 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(matrix.trace())
# >>>
"""
15
"""

4.矩阵数学运算

01	计算矩阵平均值	np.mean()方法
02	计算矩阵中位数	np.median()方法
03	计算矩阵标准差	np.std()方法

4.1 计算平均值

import numpy as np

# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

""" 计算矩阵的平均值 """
print(np.mean(matrix))
# >>>
"""
5.0
"""

""" 计算矩阵每一列的平均值 """
print(np.mean(matrix,axis=0))
# >>>
"""
[4. 5. 6.]
"""

4.2 计算中位数

import numpy as np

# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

""" 计算矩阵的中位数 """
print(np.median(matrix))
# >>>
"""
5.0
"""

""" 计算矩阵每一行的中位数 """
print(np.median(matrix,axis=1))
"""
[2. 5. 8.]
"""

4.3 计算标准差

import numpy as np

# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

""" 计算矩阵的标准差 """
print(np.std(matrix))
# >>>
"""
2.581988897471611
"""

""" 计算矩阵每一行的标准差 """
print(np.std(matrix,axis=1))
# >>>
"""
[0.81649658 0.81649658 0.81649658]
"""

5.矩阵线性代数运算

01	转置矩阵	T属性
02	计算行列式	np.linalg.det()方法
03	矩阵相加	'+'运算 / np.add()方法
04	矩阵相减	'-'运算 / np.subtract()方法
05	矩阵的乘法运算	'@'运算 np.dot()方法
06	向量的内积	'@'运算 np.dot()方法
07	向量的点积	'@'运算 np.dot()方法
08	向量的外积	np.outer()方法
09	计算矩阵的逆	np.linalg.inv()方法
10	计算特征值和特征向量	np.linalg.eig()方法

5.1 转置矩阵

import numpy as np

""" 转置矩阵 """
# 创建数值从1到9的3*3矩阵
matrix = np.arange(1,10,1).reshape(3,3)

print(matrix.T)
# >>>
"""
[[1 4 7]
 [2 5 8]
 [3 6 9]]
"""

注意的是：在线性代数范围内严格的说：一个向量是不能被转置的，因为它只是值的集合。当我们需要将行向量转换为列向量的时候，需要添加两对中括号，来表示它是一个二维数组。

import numpy as np

""" 将行向量转置为列向量 """
# 创建数值从1到5的二维矩阵(一行五列)
matrix = np.arange(1,6).reshape(1,-1)

print(matrix.T)
# >>>
"""
[[1]
 [2]
 [3]
 [4]
 [5]]
"""

5.2 计算行列式

import numpy as np

""" 计算行列式 """
# 自由创建一个矩阵
matrix = np.array([[1,4,8],
                   [5,6,7],
                   [1,6,5]])

print(np.linalg.det(matrix))
# >>>
"""
108.00000000000003
"""

5.3 矩阵相加

import numpy as np

""" 矩阵相加 """
# 自由创建一个矩阵
matrix1 = np.array([[1,4,8],
                    [5,6,7],
                    [1,6,5]])

matrix2 = np.array([[1,2,4],
                    [2,3,4],
                    [5,6,1]])

# 方法一
matrix = matrix1 + matrix2
print(matrix)
# >>>
"""
[[ 2  6 12]
 [ 7  9 11]
 [ 6 12  6]]
"""

# 方法二
matrix = np.add(matrix1,matrix2)
print(matrix)
# >>>
"""
[[ 2  6 12]
 [ 7  9 11]
 [ 6 12  6]]
"""

5.4 矩阵相减

import numpy as np

""" 矩阵相减 """
# 自由创建一个矩阵
matrix1 = np.array([[1,4,8],
                    [5,6,7],
                    [1,6,5]])

matrix2 = np.array([[1,2,4],
                    [2,3,4],
                    [5,6,1]])

# 方法一
matrix = matrix1 - matrix2
print(matrix)
# >>>
"""
[[ 0  2  4]
 [ 3  3  3]
 [-4  0  4]]
"""

# 方法二
matrix = np.subtract(matrix1,matrix2)
print(matrix)
# >>>
"""
[[ 0  2  4]
 [ 3  3  3]
 [-4  0  4]]
"""

5.5 矩阵的乘法运算

import numpy as np

""" 矩阵的乘法运算 """
# 自由创建一个矩阵
matrix1 = np.array([[1,1],
                    [1,2]])

matrix2 = np.array([[1,3],
                    [1,2]])

# 方法一（Python.__version__ > 3.5）
matrix = matrix1 @ matrix2
print(matrix)
# >>>
"""
[[2 5]
 [3 7]]
"""

# 方法二
matrix = np.dot(matrix1,matrix2)
print(matrix)
# >>>
"""
[[2 5]
 [3 7]]
"""

注意的是：“matrix1 * matrix2”是矩阵对应元素相乘，请注意区分。

5.6 向量的内积

向量的内积的运算过程和矩阵的乘法运算过程是一样的。

向量的内积可以近似理解为特殊矩阵的乘法运算。

因此计算向量的内积方法和上述计算矩阵的乘法是一样的

import numpy as np

""" 向量的内积 """
# 自由创建一个行向量
matrix1 = np.array([1,2,3])

# 自由创建一个列向量
matrix2 = np.array([[1,2,3]]).T

# 方法一（Python.__version__ > 3.5）
matrix = matrix1 @ matrix2
print(matrix)
# >>>
"""
[14]
"""

# 方法二
matrix = np.dot(matrix1,matrix2)
print(matrix)
# >>>
"""
[14]
"""

5.7 向量的点积

点积和上述的内积在概念上是相似的，都用于衡量向量之间的相似度或关系。

点积常用于向量的几何性质和相似度计算，

而内积更常用于线性代数中的向量空间和矩阵运算。

因此计算向量的点积方法和上述计算向量的内积仍然是一样的。

import numpy as np

""" 向量的点积 """
# 自由创建一个向量
matrix1 = np.array([1,2,3])

matrix2 = np.array([1,2,3])

# 方法一（Python.__version__ > 3.5）
matrix = matrix1 @ matrix2
print(matrix)
# >>>
"""
14
"""

# 方法二
matrix = np.dot(matrix1,matrix2)
print(matrix)
# >>>
"""
14
"""

5.8 向量的外积

import numpy as np

""" 向量的外积 """
# 自由创建一个向量
matrix1 = np.array([[1,2,3]]).T

matrix2 = np.array([1,2,3])

# 计算向量的外积
matrix = np.outer(matrix1,matrix2)
print(matrix)
# >>>
"""
[[1 2 3]
 [2 4 6]
 [3 6 9]]
"""

5.9 计算矩阵的逆

import numpy as np

""" 计算矩阵的逆 """
# 自由创建一个矩阵
matrix = np.array([[1,4],
                   [2,5]])

print(np.linalg.inv(matrix))
# >>>
"""
[[-1.66666667  1.33333333]
 [ 0.66666667 -0.33333333]]
"""

5.10 计算特征值和特征向量

import numpy as np

""" 计算矩阵的特征值和特征向量 """
# 自由创建一个矩阵
matrix = np.array([[1,-1,3],
                   [1,1,6],
                   [3,8,9]])

# 计算特征值和特征向量 => 用两个变量分别接受特征值和特征向量
eigenValues,eigenVectors = np.linalg.eig(matrix)

# 查看特征值
print(eigenValues)
# >>>
"""
[13.55075847  0.74003145 -3.29078992]
"""

# 查看特征向量
print(eigenVectors)
# >>>
"""
[[-0.17622017 -0.96677403 -0.53373322]
 [-0.435951    0.2053623  -0.64324848]
 [-0.88254925  0.15223105  0.54896288]]
"""

6.拓展资料

在开始学习Numpy的时候，轴是非常重要的，因为很多的数组的操作都需要用到轴。然而我刚开始学的时候，就一脸懵圈。因为轴这个东西也很抽象，我们需要画图去加深理解。

6.1 二维数组的轴

在二维数组中，每一个数组有行有列。可以将列方向看为axis=0，而行方向看为axis=1。比如第m行的数据可以看作为：在列方向的索引为m的数据。如下图的obj[2]=[3,4,5,6,7,8]。以前我常遇到将axis=0看作是行的，因为平时说”第几行第几列“习惯了，前期就误以为axis=0是行方向，axis=1是列方向。我们注意的是，轴是一个有方向有大小的矢量，而我们平时说的”第几行第几列“是一个标量，只有大小，没有方向。因此就陷入了这种思维误区。

假设某一条数据的位置是[m,n]。即可看作为：在列方向的索引为m；在行方向的索引为n。例如在下图中,obj[2,3]=6。

在使用reshape(m,n)方法中，可以理解为：将列方向的大小调整为m；在行方向的大小调整为n。

在使用std(obj,axis=1)方法中，可以理解为：标准化每一行数据。

6.2 三维数组的轴

吃掉鹅咩里啃

关注

4
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
机器学习手册-（向量、矩阵和数组）（一）

写作前言：1.本文章的写作顺序和Chris Albon[美]《Python机器学习手册-从数据预处理到深度学习》()相似。但是我会添加自己的想法和总结，并简化内容。如有侵权，请及时联系我删除文章。2.文章篇幅比较大，文章分为以下章节：-- 1. 向量、矩阵和数组-- 2. 加载数据-- 3. 数据整理-- 4. 处理数值型数据-- 5. 处理分类数据-- 6. 处理文本-- 7. 处理日期和时间-- 8. 图像处理。
复制链接

扫一扫