《Python机器学习手册：从数据预处理到深度学习》学习笔记
作者：【美】克里斯·阿尔本（Chris Albon）

机器学习手册

1.1　创建一个向量

import numpy as np
#创建一个行向量
vector_row=np.array([1,2,3])
#创建一个列向量
vector_column=np.array([1],
       [2],
       [3] ])

1.2　创建一个矩阵

matrix=np.array([[1,2],[1,2],[1,2] ]

注意：numpy实际上创建的是数组，所以返回的也是数组；变通方法可以使用pyrr库中的矩阵结构。

1.3　创建一个稀疏矩阵

#创建一个矩阵
matrix=np.array([[0,0],[0,1],[3,0] ]
#创建一个压缩的稀疏行矩阵
matrix_sparse=sparse.csr_matrix(matrix)

1.4　选择元素

#创建一个矩阵
matrix=np.array([[1,2,3],[4,5,6],[7,8,9] ]
#选择第三个元素
matrix[2]
#选择第二行第二列
matrix[1,1]

注意：numpy数组的索引编号是从0开始的。

1.5　展示一个矩阵的属性

#查看行数和列数
matrix.shape
#查看元素的数量
matrix.size
#查看维数
matrix.ndim

1.6　对多个元素同时应用某个操作

1.7　找到最大值和最小值

np.max(matrix)
np.min(matrix)

1.8　计算平均值、方差和标准差

np.mean(matrix)
np.var(matrix)
np.std(matrix)

1.9　矩阵变形

np.reshape

1.10 转置向量或矩阵

matrix.T

1.11 展开一个矩阵

展开即转换成一维数组，使用matrix.flatten() 函数

1.12 计算矩阵的秩

np.linalg.matrix_rank(matrix)

1.13 计算行列式

np.linalg.det(matrix)

1.14 获取矩阵的对角线元素

matrix.diagonal()

1.15 计算矩阵的迹

matrix.trace() #即对角线之和

1.16 计算特征值和特征向量

eigenvalues,eigenvectors=np.linalg.elg(matrix)

1.17 计算点积

np.dot(vector_a,vector_b)

1.18 矩阵的相加或相减

np.subtract(matrix_a,matrix_b)

1.19 矩阵的乘法

np.dot(matrix_a,matrix_b)

1.20 计算矩阵的逆

np.linalg.inv(matrix)

1.21 生成随机数

设置随机数种子 np.random.seed(0)
生成3个0.0到1.0之间的随机数 np.random.random(3)