Numpy学习笔记（五）

Numpy的强大之处，在于它多样的模块，不同的模块自然对应着不同的解决问题的方式。Numpy中的模块有很多，这一次，主要涉及的是linalg模块（线性代数）、fft模块（快速傅里叶变换）、随机数、连续分布和离散分布（概率论）。

Example1

计算逆矩阵

# -*-coding:utf-8-*-

import numpy as np

import matplotlib.pyplot as plt

 

# 计算逆矩阵

A = np.mat("0 1 2; 1 0 3; 4 -3 8")

print "A", A

inverse = np.linalg.inv(A)

print "Inverse of A", inverse

print "Check", A * inverse

结果如下：

注意：如果输入矩阵是奇异的或非方阵，将会抛出LinAlgError错误

Example2

求解线性方程组

# 求解线性方程组(Bx=b)

B = np.mat("1 -2 1; 0 2 -8; -4 5 9")

print "B", B

b = np.array([0, 8, 9])

print "b", b

x = np.linalg.solve(B, b)

print "Solution", x

print "Check", np.dot(B, x)

结果如下：

Example3

特征值和特征向量

# 特征值和特征向量(Ax=bx)

C = np.mat('3 -2; 1 0')

print "C", C

# eigvals()求解特征值

print "Eigenvalues", np.linalg.eigvals(C)

# eig()求解特征值和特征向量，返回元祖

eigenvalues, eigenvectors = np.linalg.eig(C)

print "Eigenvalues", eigenvalues

print "Eigenvectors", eigenvectors

for i in range(len(eigenvalues)):

print "Left", np.dot(C, eigenvectors[:,i])

print "Right", eigenvalues[i] * eigenvectors

结果如下：

注意：eigvenvectors返回的数组要竖着看

Example4

奇异值分解SVD（将一个矩阵分解为三个矩阵的乘积）

M=U∑V*(U和V是正交矩阵，Sigma包含输入矩阵的奇异值)

# 奇异值分解

D = np.mat('4 11 14; 8 7 -2')

print "D", D

U, Sigma, V = np.linalg.svd(D, full_matrices=False)

print "U", U

print "Sihma", Sigma # 得到的Sigma只是奇异矩阵的对角值

print "V", V

# 通过diag生成真正的SVD

true_svd = np.diag(Sigma)

print "SVD", true_svd

print "Check", U * true_svd * V

结果如下：

注意：

Example5

广义逆矩阵

# 广义逆矩阵

E = np.mat('4 11 14; 8 7 -2')

print "E", E

# 计算广义逆矩阵使用pinv()

pseudoinv = np.linalg.pinv(E)

print "Pseudo inverse", pseudoinv

print "Check", E * pseudoinv

结果如下：

Example6

行列式

# 行列式

F = np.mat('3 4; 5 6')

print "F", F

print "Determinant", np.linalg.det(F)

结果如下：

Example7

快速傅里叶变换（正变换用fft,逆变换用ifft）

# 快速傅里叶变换

x = np.linspace(0, 2 * np.pi, 30)

wave = np.cos(x)

transformed = np.fft.fft(wave)

i_transformed = np.fft.ifft(transformed)

plt.plot(x, wave)

plt.plot(x, transformed)

plt.plot(x, i_transformed)

plt.show()

结果如下：

Example8

移频（将FFT输出中的直流分量移动到频谱的中央）

# 移频

x = np.linspace(0, 2 * np.pi, 30)

wave = np.cos(x)

transformed = np.fft.fft(wave)

shifted = np.fft.fftshift(transformed)

i_shifted = np.fft.ifftshift(shifted)

plt.plot(x, transformed)

plt.plot(x, shifted)

plt.plot(x, i_shifted)

plt.show()

结果如下：

Example9

二项分布

模拟赌注胡：初始资本1000，每一轮抛9枚硬币，少于5枚硬币朝上，将损失一份，否则赢得一份

# 二项分布

cash = np.zeros(10000)

cash[0] = 1000

# binomial()函数

outcome = np.random.binomial(9, 0.5, size=len(cash))

for i in range(1, len(cash)):

if 0 <= outcome[i] < 5:

cash[i] = cash[i-1] - 1

elif outcome[i] < 10:

cash[i] = cash[i-1] + 1

else:

raise AssertionError("Unexpected outcome " + outcome)

print outcome.min(), outcome.max()

plt.plot(np.arange(len(cash)), cash)

plt.show()

结果如下：

结果很正常

Example10

超几何分布

模拟游戏秀节目：每当参赛者回答对一个问题，可以从罐子里摸出三个球并放回，罐子里有一个倒霉球，一旦被摸出，参赛者扣6分，如果摸出的三个球全部来自其余25个普通球，将加1分，如果有一百道题回答正确，得分情况怎样？

# 超几何分布

points = np.zeros(100)

outcome = np.random.hypergeometric(25, 1, 3, size=len(points))

for i in np.arange(1, len(points)):

if outcome[i] == 3:

points[i] = points[i-1] + 1

elif outcome[i] == 2:

points[i] = points[i-1] - 6

print outcome.min(), outcome.max()

plt.plot(np.arange(len(points)), points)

plt.show()

结果如下：

很合理！

Example11

绘制正态分布

# 正态分布

# 首先产生一定数量的随机数

N = 10000

normal_values = np.random.normal(size=N)

# 第二个参数bins默认为10，即柱子的数量，normed=True计算密度，而非次数

dummy, bins, dummy = plt.hist(normal_values, np.sqrt(N), normed=True, lw=1.0)

sigma = 1

mu = 0

plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) * np.exp(-(bins-mu)**2/(2 * sigma ** 2)), lw=2.0)

plt.show()

结果如下：

 

总结：这次的练习，涉及到很多东西，有线性代数、快速傅里叶变换，而概率论的计算变得如此简洁明了，加上Matplotlib的应用，数形结合，效果相当好。只不过，很多函数里的参数都先当复杂，不过常规的使用中，也就那两三个参数而已。

源代码：https://github.com/Lucifer25/Learn-Python/blob/master/Numpy/exercise5.py