当你知道工具的用处，理论与工具如何结合的时候，通常会加速咱们对两者的学习效率。
零 numpy
那么，Numpy是什么？
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量维度的数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 ---- 摘自 · 菜鸟教程
一 要点
- 假定AX=b，求解未知矩阵X 【线性代数中常遇到的运算问题】
- 矩阵转置A^(T)
- 矩阵的逆A^(-1)
- 矩阵行列式的值|A|
- 矩阵的秩 rank(A)
- 矩阵的迹 trace(A)
- 其它
- 单位矩阵
- 0向量/矩阵
- ...
二 示例应用
2.1 求解AX=b中的未知参数矩阵X
import numpy as np
# Hypothsis : A*X = b
A = [[2,1,2],
[3,1,0],
[1,1,-1]];
b = np.transpose([-3,5,-2])# 转置
#[or] b = np.transpose(np.array([-3,5,-2]))# 转置
# 求解未知参数矩阵X
X = np.linalg.solve(A,b) # 方式一：直接使用numpy的solve函数一键求解
#A_inv=np.linalg.inv(A) # 方式二：先求逆运算，再点积求值
#X=np.dot(A_inv,b) # a.dot(b) 与 np.dot(a,b) 效果相同；but np.dot(a,b)与np.dot(b,a)效果肯定是不同的(线性代数/矩阵常识)
print("方程组的解：
",X);
# [output]
方程组的解：
[ 4.4 -8.2 -1.8]
2.2 利用最小二乘法拟合函数模型
给出一组数据【5对（Xi,Yi）参数】，用最小二乘法，求形如：f(x)=a+b*x^3的经验公式。
- 原方程(模型)
[f(x) = a + bx^3
]
- 其法方程
[A^T A egin{pmatrix} a \ b \ end{pmatrix} = A^T y
]
即
[egin{pmatrix} a \ b \ end{pmatrix} = left( A^T A
ight)^{-1} A^T y
]
import numpy as np
import matplotlib.pyplot as plt # Python 绘图工具(业界推荐)
# 数据初始化
A = [
[1,pow(-3,3)],
[1,pow(-2,3)],
[1,pow(-1,3)],
[1,pow(2,3)],
[1,pow(4,3)]
];
At = np.transpose(A); # A的转置矩阵
y = np.transpose([14.3,8.3,4.7,8.3,22.7]);
# step1:求解
## 令 (a ,b)^T 为 未知参数X
X = np.dot(np.dot(np.linalg.inv(np.dot(At,A)),At),y)
print(X)
print("a:",X[0])
print("b:",X[1])
# step2:查看拟合效果
x = [-3,-2,-1,2,4];
## 1. 计算拟合数值 fitValue
def fitValue(arg_x):
a = X[0];
b = X[1];
return a + b*pow(arg_x,3);
fitValues = np.zeros([5]); # 创建长为5的【一维】数组；[1,5]：创建第1行为5个元素的【二维】数组
for i in range(0,len(fitValues)):
fitValues[i] = fitValue(x[i]);
print(i,":","x(i):",x[i],"fit Y:",fitValues[i]); # just for test
pass;
## 2. 绘图可视化
yt = np.transpose(y); # y的转置
plt.rcParams['figure.dpi'] = 100 #分辨率
plt.scatter(x, yt, marker = '*',color = 'red', s = 10 ,label = 'Actual Dataset') # 真实数据集
plt.scatter(x, fitValues, marker = 'x',color = 'green', s = 10 ,label = 'Fitting Dataset') #[拟合数据集]
plt.legend(loc = 'best') # 设置 图例所在的位置 使用推荐位置
plt.show()
# [output]
[ 10.67505325 0.13679816]
a: 10.6750532504
b: 0.136798159666
0 : x(i): -3 fit Y: 6.98150293942
1 : x(i): -2 fit Y: 9.58066797308
2 : x(i): -1 fit Y: 10.5382550907
3 : x(i): 2 fit Y: 11.7694385277
4 : x(i): 4 fit Y: 19.430135469
2.3 数组创建/初始化
- numpy.linspace(start, stop[, num=50[, endpoint=True[, retstep=False[, dtype=None]]]]])
- 一维等差数列
- return 在指定范围内的均匀间隔的数字（组成的数组），也即返回一个等差数列
- 参数
- start - 起始点
- stop - 结束点
- num - 元素个数，默认为50，
- endpoint - 是否包含stop数值，默认为True，包含stop值；若为False，则不包含stop值
- retstep - 返回值形式，默认为False，返回等差数列组，若为True，则返回结果(array([
samples,step])), - dtype - 返回结果的数据类型，默认无，若无，则参考输入数据类型。
import numpy as np
a = np.linspace(1,10,5,endpoint= True)
print(a) # [ 1. 3.25 5.5 7.75 10. ]
b = np.linspace(1,10,5,endpoint= False)
print(b) #[1. 2.8 4.6 6.4 8.2]
c = np.linspace(1,10,5,retstep = False)
print(c) # [ 1. 3.25 5.5 7.75 10. ]
d = np.linspace(1,10,5,retstep = True)
print(d) # (array([ 1. , 3.25, 5.5 , 7.75, 10. ]), 2.25)
2.4 线性代数常用运算
print("原矩阵A：
",A);
print("原矩阵b：
",b);
print("转置矩阵A^T：
",np.transpose(A)); # 转置
print("矩阵的行列式值|A|：
",np.linalg.det(A)); # 方阵的行列式值：|A|
print("矩阵的迹trace(A)：
",np.trace(A));
print("矩阵的秩rank(A)：
",np.linalg.matrix_rank(A));
print("逆矩阵A^(-1)：
",np.linalg.inv(A)); #矩阵的逆运算(条件：矩阵A可逆(行列式值不为0)| 矩阵A为方阵)
print("*"*30); # 分隔线
print("N阶单位矩阵:
",np.eye(4));
print(np.zeros([5])); # 创建长为5的【一维】数组；[1,5]：创建第1行为5个元素的【二维】数组
# 创建指定的初始化数组
print(np.array([1])) # 生成 第1行含值为1的元素的【一维】数组
print(np.array([[56]])) # 生成 第1行含值为56的元素的【二维】数组
np.full((3,5),3.14) # 创建一个3x5的浮点型数组，数组的值都是3.14
# [output]
原矩阵A：
[[2, 1, 2], [3, 1, 0], [1, 1, -1]]
原矩阵b：
[-3 5 -2]
转置矩阵A^T：
[[ 2 3 1]
[ 1 1 1]
[ 2 0 -1]]
矩阵的行列式值|A|：
5.0
矩阵的迹trace(A)：
2
矩阵的秩rank(A)：
3
逆矩阵A^(-1)：
[[-0.2 0.6 -0.4]
[ 0.6 -0.8 1.2]
[ 0.4 -0.2 -0.2]]
**********************
N阶单位矩阵:
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]
[ 0. 0. 1. 0.]
[ 0. 0. 0. 1.]]
[ 0. 0. 0. 0. 0.]
[1]
[[56]]