《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)
