python学习第11周：python numpy

numpy是一个数据处理模块，其底层是用C写的，可以高效的对数组和矩阵进行运算。

目录

ndarray类型

ndarray对象的创建

Exercise：

---

ndarray类型

numpy中主要的类型，表示n-dim array。

 

ndarray对象的创建

 

1. numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
   以列表对象等创建ndarray对象。
2. numpy.eye(N, M=None, k=0, dtype=float, order='C')
   创建单位矩阵(2维数组).
3. numpy.zeros(shape, dtype = float, order = 'C')
   创建指定大小的数组，数组元素为0.
4. numpy.arange(start, stop, step, dtype) 
   根据数值范围创建一维数组。参数意义与range()一样。
5. numpy.random.normal(loc=0.0, scale=1.0, size=None)
   创建正态分布的ndarray对象。size表示形状。

 

---

Exercise：

Generate matrices A, with random Gaussian entries, B, a Toeplitz matrix, where A 2 Rn×m and B 2 Rm×m, for n = 200, m = 500

首先是初始化过程：

import numpy
import time
from scipy.linalg import toeplitz
n = 200
m = 500
# numpy.random.normal(loc=0.0, scale=1.0, size=None) 返回正态分布矩阵或向量
# loc表示均值(默认为0)，scale表示标准差(默认为1)
A = numpy.random.normal(size=(n, m))
c = numpy.random.normal(size = m)
r = numpy.random.normal(size = m)
r[0] = c[0]
B = toeplitz(c, r)

 

#numpy.eye(arg) 返回一个arg*arg的单位矩阵
#numpy.matmul() 进行矩阵乘法
# transpose()返回矩阵的转置
def fun1(r):
    I = numpy.eye(m)
    return numpy.matmul(A, B - I * r)
A_T = A.transpose()
print(A+A)
print(numpy.matmul(A, A_T))
print(numpy.matmul(A_T, A))
print(numpy.matmul(A, B))
print(fun1(2))

 

b = numpy.random.normal(size = m)
inv_B = numpy.linalg.inv(B)
x = numpy.matmul(inv_B, b)
print(x)

 

#numpy.linalg.norm(x, ord=None) 是计算范数的函数
#第一个参数是传入的矩阵，第二个参数代表要计算的范数
#numpy.linalg.svd(arg) 返回矩阵arg的奇异值分解的三个矩阵,
#最左边是左奇异向量，中间是一个降序的奇异值组成的向量，最右边是右奇异向量

A_F = numpy.linalg.norm(A)
print(A_F)
B_inf = numpy.linalg.norm(B, numpy.inf)
print(B_inf)
U, sigma, VT = numpy.linalg.svd(B)
print(min(sigma))
print(max(sigma))

 

 

 

def dominant_eigenvalue(n, e = 0.005):
    Z = numpy.random.normal(size=(n, n))
    #合适的x0
    x = [1] * n 
    count = 0
    begin_time = time.clock()
    #开始迭代
    while True:
        count += 1
        c = max(-min(x), max(x))
        y = numpy.matmul(Z, x)
        x = 1/c * y
        c_next = max(-min(x), max(x))
        if abs(c_next - c) < e:
            break
    #c_next 是主特征值， x_next 是主特征向量
    using_time = time.clock() - begin_time
    print("using time: " + str(using_time))
    print("iteration count: " + str(count))
    print(c_next)
    #print(x)

for i in range(0, 3):
    a = 5 * (10 ** i)
    print("n = ", a)
    dominant_eigenvalue(a)

运行结果如下：

 

#numpy.random.rand返回一个[0.0, 1.0]之间的随机浮点数
def singular_value(n, p = 0.8):
    C = numpy.random.rand(n, n)
    for i in range(0, n):
        for j in range(0, n):
            if C[i][j] < p:
                C[i][j] = 1
            else :
                C[i][j] = 0 
    U, sigma, VT = numpy.linalg.svd(C)
    max_singular_value = sigma[0]
    return max_singular_value


for i in range(0, 3):
    a = 5 * (10 ** i)
    for j in range(1, 4):
        p = 0.25 * j
        ans = singular_value(a, p)
        print("n = ", a)
        print("p = ", p)
        print("max singular value = ", ans)

运行结果如下：

观察可知，当n足够大时，最大奇异值等于n*p

 

# numpy.argmin(matrix)返回扁平化的矩阵的最小元素的下标
def nearest_neighbor(z, A):
    index = numpy.argmin(abs(A-z))
    row = index // len(A)
    col = index % len(A)
    return row, col

z = 3
row, col = nearest_neighbor(z, A)
print(A[row][col])