数据挖掘笔记之Numpy
数组
np.array(((1,2))) #二维数组
arr[1,2] #取第二行、第三列的元素
arr[np.ix_([0,1],[1,2])] #取第一二行和第二三行列
np.genfromtxt(fname,dtype,comments,delimiter,skip_header,skip_footer,converters,missing_values,filling_values,usecols,names)
dtype：默认浮点型，含有字符型，使用str
comments：注释符
delimiter：列分隔符
missing_values：指定缺失值
filling_values：填充缺失值
usecols：读取列
names：设置列名称
arr.ndim
arr.shape
arr.size #元素个数
arr.dtype
#改变形状
arr.reshape(2,9)
arr.resize(2,9)
#reshape只改变预览，不会改变原数组
#resize不会返回预览，会改变原数组
#拆分降为一维
arr.ravel() #改变原数组
arr.flatten() #不改变
arr.reshape(-1)
arr.ravel(order='F') #列拆分降维
vstack([arr1,arr2]) = row_stack
hstack = column_stack
np.fabs() #浮点绝对值
np.ceil() #向上取整
np.floor() #向下取整
np.round() #四舍五入
np.fmod(arr，arr) #取余
np.modf() #返回小数和整数
np.square() #返回平方根
np.exp() #以e为底指数
np.power(arr, a) #arr的a方
np.median(arr,axis) #中位数
np.var(arr,axis) #方差
np.cumsum(arr,axis) #求和
np.cumprod(arr,axis) #乘积
np.argmin(arr,axis) #最小
np.argmax(arr,axis) #最大
线性代数相关运算
线性代数相关运算使用np.linalg子模块
np.transpose() #转置
np.dot(a,b) #点乘
np.inner(a,b) #内积
np.diag() #主对角线与一维数组的相互转换
np.trace() #主对角线之和
np.linalg.det #行列式
np.linalg.eig #特征根，特征向量
np.linalg.eigvals #方阵特征根
np.linalg.inv #逆
np.linalg.pinv #Moore_Penrose伪逆
np.linalg.solve #Ax=b的线性方程解
np.linalg.lstsq #Ax=b的最小二乘解
np.linalg.qr #QR分解
np.linalg.svd #奇异值分解
np.linalg.norm #范数
np.linalg.norm(arr,ord=1) #一范数
np.linalg.norm(arr,ord=2) #二范数
np.linalg.norm(arr,ord=np.inf) #无穷范数
#存在λ和非零n维向量α，使Aα=λα，λ为特征根
arr = np.array([1,2,3],[4,5,6],[7,8,9])
np.linalg.eig(arr)
#多元线性回归模型的解
#多元一次方程组
Ax=b
np.linalg.solve(A,b)
#范数用来度量向量空间每个向量的长度或大小
非负性，齐次性，三角不等性
P范数