Python科学运算–简单汇总

  • A+
摘要这一篇会简单记录一下在Python中进行科学运算的方式, 也是方便自己之后的使用.

前言

这一篇记录一下关于Python在科学运算上的一些操作,方便查询。之后会不定期补充。

矩阵运算

  1. import numpy as np
  2. x_test = np.array([[1,2,3],[3,4,6],[4,7,11]])
  3. print(x_test)
Python科学运算--简单汇总

矩阵转置

  1. # 求矩阵转置
  2. np.transpose(x_test)
Python科学运算--简单汇总

当然,也可以通过下面方式求转置

Python科学运算--简单汇总

矩阵求逆

Python科学运算--简单汇总

矩阵求行列式

Python科学运算--简单汇总

矩阵求迹

Python科学运算--简单汇总

特征值与特征向量

  1. # 求矩阵的特征值与特征向量
  2. w, v = np.linalg.eig(x_test)
  3. print("Eigenvalues : \n{}".format(w)) # 特征值
  4. print("Eigenvectors : \n{}".format(v)) # 特征向量
Python科学运算--简单汇总

特别要注意的是,特征值w[i]对应的特征向量为v[:,i],我们看一下下面的例子:

Python科学运算--简单汇总

SVD分解

  1. x_test = np.array([[1,2],[3,4],[5,6]])
  2. # 进行svd分解
  3. u,e,v = np.linalg.svd(x_test)
  4. print("u:\n{}".format(u))
  5. print("e:\n{}".format(e))
  6. print("v:\n{}".format(v))
Python科学运算--简单汇总
  1. # 将e矩阵补齐
  2. e_n = np.zeros([3,2])
  3. for i in range(2):
  4.     e_n[i][i] = e[i]
  5. print("u:\n{}".format(u))
  6. print("e_n:\n{}".format(e_n))
  7. print("v:\n{}".format(v))
Python科学运算--简单汇总

下面验证一下SVD分解的结果是否正确

  1. # 恢复原矩阵做验证
  2. np.dot(np.dot(u,e_n),
  3.        v)
Python科学运算--简单汇总

矩阵乘法

  1. x_test = np.array([[1,2,3],[4,5,6]])
  2. np.dot(x_test, x_test.T) # 2*3 3*2
Python科学运算--简单汇总

若直接使用乘法, 只是元素间的两两相乘;

Python科学运算--简单汇总

统计相关

均值, 方差, 标准差

  1. # 求均值
  2. x_test = np.array([[1,2],[4,5],[7,8]])
  3. x_test.mean(0)
Python科学运算--简单汇总
  1. # 求方差
  2. x_test = np.array([[1,2],[4,5],[7,8]])
  3. x_test.var(0)
Python科学运算--简单汇总
  1. # 求标准差
  2. x_test = np.array([[1,2],[4,5],[7,8]])
  3. x_test.std(0)
  4. # np.sqrt(6)=2.44948974
Python科学运算--简单汇总

协方差矩阵

  1. # 计算方差矩阵
  2. x_test = np.array([[1,1],[2,2],[3,3]])
  3. np.cov(x_test.T) # 注意这里要进行转置, 这里维度是2, 有三个变量
Python科学运算--简单汇总

相关系数矩阵

  1. x_test = np.random.randint(2,10,(100,3)) # 随机生成一组数据
  2. pd.DataFrame(x_test).corr() # 相关系数矩阵
Python科学运算--简单汇总

数据预处理

  1. from sklearn import preprocessing

StandardScaler

在sklearn中,可以有两种方式进行实现,分别是使用函数scale和使用类StandardScaler(),下面分别来看一下:

使用scale进行计算:

Python科学运算--简单汇总
  1. x_tt = np.array([[1,2],[3,4],[5,6]])
  2. preprocessing.scale(x_tt.astype(float))

我们看一下实际的计算结果

Python科学运算--简单汇总

当然,我们可以使用StandardScaler()来进行计算,使用这种方式可以查看每一维特征的均值方差

Python科学运算--简单汇总

Normalize

计算的步骤我用注释的方法写在了代码下面。

  1. x_tt = np.array([[1,2],[3,4],[5,6]])
  2. preprocessing.normalize(x_tt.astype(float))
  3. # 1/np.sqrt(1+4)=0.447
Python科学运算--简单汇总
  • 微信公众号
  • 关注微信公众号
  • weinxin
  • QQ群
  • 我们的QQ群号
  • weinxin
王 茂南

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: