pythonnumpysvd

① 用python的numpy創建一個矩陣

• 使用numpy創建矩陣有2種方法，一種是使用numpy庫的matrix直接創建，另一種則是使用array來創建。首先載入numpy庫，然後分別用上面說的2種方法來分別構建一個4×3的矩陣，如圖

  

注意事項

• [1]在高等數學或者線性代數等已經學過了當後面的矩陣的行數等於前面矩陣的列數時，2個矩陣才可以相乘

• [2]Hadamard指的是2個m×n的矩陣相乘，結果仍然是m×n的矩陣，結果為對應元素的乘積

• [3]單位矩陣是特殊的對角矩陣，零（1）矩陣是指元素全部是0（1）的矩陣

• [4]矩陣的第一行是從0開始編號的，python中的各種編號基本上都是從0開始的

② Python numpy,scipy,pandas這些庫的區別是什麼

有目的的話，就先簡單過一下文檔，然後開始在目的驅動下，加深某部分的學習。 沒目的的話，就看本書，科學計算，數據分析方面的python書有不少。

③ python中稀疏矩陣的怎麼用numpy處理

NumPy是一個關於矩陣運算的庫，熟悉Matlab的都應該清楚，這個庫就是讓python能夠進行矩陣話的操作，而不用去寫循環操作。
下面對numpy中的操作進行總結。
numpy包含兩種基本的數據類型：數組和矩陣。
數組(Arrays)
>>> from numpy import *>>> a1=array([1,1,1]) #定義一個數組>>> a2=array([2,2,2])>>> a1+a2 #對於元素相加array([3, 3, 3])>>> a1*2 #乘一個數array([2, 2, 2])##>>> a1=array([1,2,3])>>> a1
array([1, 2, 3])>>> a1**3 #表示對數組中的每個數做平方array([ 1, 8, 27])##取值，注意的是它是以0為開始坐標，不matlab不同>>> a1[1]2##定義多維數組>>> a3=array([[1,2,3],[4,5,6]])>>> a3
array([[1, 2, 3],
[4, 5, 6]])>>> a3[0] #取出第一行的數據array([1, 2, 3])>>> a3[0,0] #第一行第一個數據1>>> a3[0][0] #也可用這種方式1##數組點乘，相當於matlab點乘操作>>> a1=array([1,2,3])>>> a2=array([4,5,6])>>> a1*a2
array([ 4, 10, 18])

Numpy有許多的創建數組的函數：
import numpy as np

a = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.]
# [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.]
# [ 7. 7.]]"d = np.eye(2) # Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.]
# [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]"

數組索引(Array indexing)
矩陣
矩陣的操作與Matlab語言有很多的相關性。
#創建矩陣
>>> m=mat([1,2,3])
>>> m
matrix([[1, 2, 3]])

#取值
>>> m[0] #取一行
matrix([[1, 2, 3]])
>>> m[0,1] #第一行，第2個數據2>>> m[0][1] #注意不能像數組那樣取值了
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__
out = N.ndarray.__getitem__(self, index)
IndexError: index 1 is out of bounds for axis 0 with size 1#將Python的列表轉換成NumPy的矩陣
>>> list=[1,2,3]
>>> mat(list)
matrix([[1, 2, 3]])

#矩陣相乘
>>> m1=mat([1,2,3]) #1行3列
>>> m2=mat([4,5,6])
>>> m1*m2.T #注意左列與右行相等 m2.T為轉置操作
matrix([[32]])
>>> multiply(m1,m2) #執行點乘操作，要使用函數，特別注意
matrix([[ 4, 10, 18]])

#排序
>>> m=mat([[2,5,1],[4,6,2]]) #創建2行3列矩陣
>>> m
matrix([[2, 5, 1],
[4, 6, 2]])
>>> m.sort() #對每一行進行排序
>>> m
matrix([[1, 2, 5],
[2, 4, 6]])

>>> m.shape #獲得矩陣的行列數
(2, 3)
>>> m.shape[0] #獲得矩陣的行數2>>> m.shape[1] #獲得矩陣的列數3#索引取值
>>> m[1,:] #取得第一行的所有元素
matrix([[2, 4, 6]])
>>> m[1,0:1] #第一行第0個元素，注意左閉右開
matrix([[2]])
>>> m[1,0:3]
matrix([[2, 4, 6]])
>>> m[1,0:2]
matrix([[2, 4]])35363738394

擴展矩陣函數tile()
例如，要計算[0,0,0]到一個多維矩陣中每個點的距離，則要將[0,0,0]進行擴展。
tile(inX, (i,j)) ;i是擴展個數，j是擴展長度
實例如下：
>>>x=mat([0,0,0])
>>> x
matrix([[0, 0, 0]])
>>> tile(x,(3,1)) #即將x擴展3個，j=1,表示其列數不變
matrix([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
>>> tile(x,(2,2)) #x擴展2次，j=2,橫向擴展
matrix([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])1234567891011121314

④ 如何為python安裝numpy函數庫

也可以用python自帶的安裝工具，pip install numpy scipy 等。如果沒有pip的話，可以試試easy-install numpy scipy。打開cmd，在裡面輸入這些命令。 不想自己一個一個裝的話，最簡單的方法是安裝python(x,y)套裝，也可以考慮enthought套裝

⑤ 矩陣維度 python 不使用numpy

pca = PCA(n_components=2) #
#print pca
# PCA(=True, iterated_power='auto', n_components=2, random_state=None,
# svd_solver='auto', tol=0.0, whiten=False)
rece_X = pca.fit_transform(x)
# 查看降維後的數據分布
plt.scatter(rece_X[:,0], rece_X[:,1],c = y)
plt.show()

⑥ python有多少個包

1、 Import 函數 from 庫，往後可以直接使用 函數 import庫，要使用函數則需 庫.函數。
2、 %matplotlib inline是jupyter notebook里的命令, 意思是將那些用matplotlib繪制的圖顯示在頁面里而不是彈出一個窗口
3、 用圖形表示回歸效果可以採用橫坐標為實際值，縱坐標為預測值（採用橫坐標的標定作為標定）則預測點越集中在y=x坐標線上則回歸預測效果越好。
4、 安裝，http://www.lfd.uci.e/~gohlke/pythonlibs/#opencv提供各種包whl文件。安裝whl文件需要設置環境變數為D:SOFTPython27Scripts, pip install whl提示安裝成功。回到包所在文件打開cmd窗口輸入pip install 包名，安裝包。使用 import 包名測試是否安裝成功。
推薦學習《python教程》
5、 Numpy包： numpy數組切片的修改直接反映到原數組，但是列表對切片的修改不反應到原數組。建立多維數組 np.arange(1,10).reshape(3,3)
Numpy.array創建一個矩陣a，並對矩陣進行計算最大a.max(),最小，平均數a.mean()。也可以按行處理a.max(axis=1)，計算某行數據的最大，最小以及平均數。遍歷前兩行的第二列。三維可以理解為一個數字組成的立方塊。
Numpy支持對多維數組的翻轉等操作，求和，計算三角函數，多次方求和以及SVD分解等多種操作。以及隨機函數模塊。Numpy.random
6、 Matplotlib：處理數據可視化的包,利用numpy強大的運算能力結合matplotlib使用；使用matplotlib畫散點圖步驟，第一種使用scatter(x,y),系統自動建立坐標系，第二種使用plot(x,y)系統也是自動建立坐標系，plot函數默認畫連線圖。比較，scatter比plot適合畫散點圖。

7、 Pandas是一個為解決python數據分析而用的包，可以快速構建數據結構。
8、 scikit-learn簡稱sklearn,在導入數據包時只能使用import sklearn。
線性回歸函數採用最小二乘函數擬合。給定n個參數及其對應的x值以及應該輸出的y。訓練相關參數的值，再用這個參數給出線性方程預測未知y的值。函數調用方法，先創建一個引用，給定訓練值。利用訓練模型去預測測試集。
Kmeans:plot 是做折線圖，也可以做散點圖；scatter專門做散點圖。在數據處理的時候要明確轉變成數值型，不然會出現莫名現象Kmeans使用方法，首先創建KMeans模型，然後載入數據返回數據分類結果。
9、 request:網路爬蟲相關包，可以偽裝成瀏覽器，躲過伺服器審查。

⑦ Python怎麼生成三維數

1、創建一般的多維數組

importnumpyasnp
a=np.array([1,2,3],dtype=int)#創建1*3維數組array([1,2,3])
type(a)#numpy.ndarray類型
a.shape#維數信息(3L,)
a.dtype.name#'int32'
a.size#元素個數：3
a.itemsize#每個元素所佔用的位元組數目:4


b=np.array([[1,2,3],[4,5,6]],dtype=int)#創建2*3維數組array([[1,2,3],[4,5,6]])
b.shape#維數信息（2L,3L）
b.size#元素個數：6
b.itemsize#每個元素所佔用的位元組數目:4


c=np.array([[1,2,3],[4,5,6]],dtype='int16')#創建2*3維數組array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#維數信息（2L,3L）
c.size#元素個數：6
c.itemsize#每個元素所佔用的位元組數目:2
c.ndim#維數


d=np.array([[1,2,3],[4,5,6]],dtype=complex)#復數二維數組
d.itemsize#每個元素所佔用的位元組數目：16
d.dtype.name#元素類型：'complex128'

2、創建一般的多維數組

importnumpyasnp
a=np.array([1,2,3],dtype=int)#創建1*3維數組array([1,2,3])
type(a)#numpy.ndarray類型
a.shape#維數信息(3L,)
a.dtype.name#'int32'
a.size#元素個數：3
a.itemsize#每個元素所佔用的位元組數目:4


b=np.array([[1,2,3],[4,5,6]],dtype=int)#創建2*3維數組array([[1,2,3],[4,5,6]])
b.shape#維數信息（2L,3L）
b.size#元素個數：6
b.itemsize#每個元素所佔用的位元組數目:4


c=np.array([[1,2,3],[4,5,6]],dtype='int16')#創建2*3維數組array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#維數信息（2L,3L）
c.size#元素個數：6
c.itemsize#每個元素所佔用的位元組數目:2
c.ndim#維數


d=np.array([[1,2,3],[4,5,6]],dtype=complex)#復數二維數組
d.itemsize#每個元素所佔用的位元組數目：16
d.dtype.name#元素類型：'complex128'

3、創建特殊類型的多維數組

a1=np.zeros((3,4))#創建3*4全零二維數組
輸出：
array([[0.,0.,0.,0.],
[0.,0.,0.,0.],
[0.,0.,0.,0.]])
a1.dtype.name#元素類型：'float64'
a1.size#元素個數：12
a1.itemsize#每個元素所佔用的位元組個數：8


a2=np.ones((2,3,4),dtype=np.int16)#創建2*3*4全1三維數組
a2=np.ones((2,3,4),dtype='int16')#創建2*3*4全1三維數組
輸出：
array([[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]],

[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]]],dtype=int16)


a3=np.empty((2,3))#創建2*3的未初始化二維數組
輸出：（mayvary）
array([[1.,2.,3.],
[4.,5.,6.]])


a4=np.arange(10,30,5)#初始值10，結束值：30（不包含），步長：5
輸出：array([10,15,20,25])
a5=np.arange(0,2,0.3)#初始值0，結束值：2（不包含），步長：0.2
輸出：array([0.,0.3,0.6,0.9,1.2,1.5,1.8])

fromnumpyimportpi
np.linspace(0,2,9)#初始值0，結束值：2（包含），元素個數：9
輸出：
array([0.,0.25,0.5,0.75,1.,1.25,1.5,1.75,2.])
x=np.linspace(0,2*pi,9)
輸出：
array([0.,0.78539816,1.57079633,2.35619449,3.14159265,
3.92699082,4.71238898,5.49778714,6.28318531])


a=np.arange(6)
輸出：
array([0,1,2,3,4,5])
b=np.arange(12).reshape(4,3)
輸出：
array([[0,1,2],
[3,4,5],
[6,7,8],
[9,10,11]])
c=np.arange(24).reshape(2,3,4)
輸出：
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],

[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])

使用numpy.set_printoptions可以設置numpy變數的列印格式

在ipython環境下，使用help(numpy.set_printoptions)查詢使用幫助和示例

4、多維數組的基本操作

加法和減法操作要求操作雙方的維數信息一致，均為M*N為數組方可正確執行操作。

a=np.arange(4)
輸出：
array([0,1,2,3])
b=a**2
輸出：
array([0,1,4,9])
c=10*np.sin(a)
輸出：
array([0.,8.41470985,9.09297427,1.41120008])


n<35
輸出：
array([True,True,True,True],dtype=bool)

A=np.array([[1,1],[0,1]])
B=np.array([[2,0],[3,4]])
C=A*B#元素點乘
輸出：
array([[2,0],
[0,4]])
D=A.dot(B)#矩陣乘法
輸出：
array([[5,4],
[3,4]])
E=np.dot(A,B)#矩陣乘法
輸出：
array([[5,4],
[3,4]])

多維數組操作過程中的類型轉換

When operating with arrays of different types, the type of the
resulting array corresponds to the more general or precise one (a
behavior known as upcasting)

即操作不同類型的多維數組時，結果自動轉換為精度更高類型的數組，即upcasting

數組索引、切片和迭代

a=np.ones((2,3),dtype=int)#int32
b=np.random.random((2,3))#float64
b+=a#正確
a+=b#錯誤

a=np.ones(3,dtype=np.int32)
b=np.linspace(0,pi,3)
c=a+b
d=np.exp(c*1j)
輸出：
array([0.54030231+0.84147098j,-0.84147098+0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
輸出：
'complex128'

多維數組的一元操作，如求和、求最小值、最大值等

a=np.random.random((2,3))
a.sum()
a.min()
a.max()


b=np.arange(12).reshape(3,4)
輸出：
array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
b.sum(axis=0)#按列求和
輸出：
array([12,15,18,21])
b.sum(axis=1)#按行求和
輸出：
array([6,22,38])
b.cumsum(axis=0)#按列進行元素累加
輸出：
array([[0,1,2,3],
[4,6,8,10],
[12,15,18,21]])
b.cumsum(axis=1)#按行進行元素累加
輸出：
array([[0,1,3,6],
[4,9,15,22],
[8,17,27,38]])

universal functions

B=np.arange(3)
np.exp(B)
np.sqrt(B)
C=np.array([2.,-1.,4.])
np.add(B,C)

其他的ufunc函數包括：

all,any,apply_along_axis,argmax,argmin,argsort,average,bincount,ceil,clip,conj,corrcoef,cov,cross,cumprod,cumsum,diff,dot,floor,inner,lexsort,max,maximum,mean,median,min,minimum,nonzero,outer,prod,re,round,sort,std,sum,trace,transpose,var,vdot,vectorize,where

5. 數組索引、切片和迭代

a=np.arange(10)**3
a[2]
a[2:5]
a[::-1]#逆序輸出
foriina:
print(i**(1/3.))

deff(x,y):
return10*x+y
b=np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]

c=np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
輸出：
array([[[0,1,2],
[10,11,12]],

[[100,101,102],
[110,111,112]]])
c.shape
輸出：
(2L,2L,3L)
c[0,...]
c[0,:,:]
輸出：
array([[0,1,2],
[10,11,12]])
c[:,:,2]
c[...,2]
輸出：
array([[2,12],
[102,112]])

forrowinc:
print(row)

forelementinc.flat:
print(element)

a=np.floor(10*np.random.random((3,4)))
輸出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])
a.ravel()
輸出：
array([3.,9.,8.,...,6.,0.,2.])
a.reshape(6,2)
輸出：
array([[3.,9.],
[8.,4.],
[2.,1.],
[4.,6.],
[0.,6.],
[0.,2.]])
a.T
輸出：
array([[3.,2.,0.],
[9.,1.,6.],
[8.,4.,0.],
[4.,6.,2.]])
a.T.shape
輸出：
(4L,3L)
a.resize((2,6))
輸出：
array([[3.,9.,8.,4.,2.,1.],
[4.,6.,0.,6.,0.,2.]])
a.shape
輸出：
(2L,6L)
a.reshape(3,-1)
輸出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])

詳查以下函數：

ndarray.shape,reshape,resize,ravel

6. 組合不同的多維數組

a=np.floor(10*np.random.random((2,2)))
輸出：
array([[5.,2.],
[6.,2.]])
b=np.floor(10*np.random.random((2,2)))
輸出：
array([[0.,2.],
[4.,1.]])
np.vstack((a,b))
輸出：
array([[5.,2.],
[6.,2.],
[0.,2.],
[4.,1.]])
np.hstack((a,b))
輸出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])


fromnumpyimportnewaxis
np.column_stack((a,b))
輸出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])


a=np.array([4.,2.])
b=np.array([2.,8.])
a[:,newaxis]
輸出：
array([[4.],
[2.]])
b[:,newaxis]
輸出：
array([[2.],
[8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
輸出：
array([[4.,2.],
[2.,8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
輸出：
array([[4.],
[2.],
[2.],
[8.]])
np.r_[1:4,0,4]
輸出：
array([1,2,3,0,4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
輸出：
array([[1,2,3,0,0,0,4,5,6]])

詳細使用請查詢以下函數：

hstack,vstack,column_stack,concatenate,c_,r_

7. 將較大的多維數組分割成較小的多維數組

a=np.floor(10*np.random.random((2,12)))
輸出：
array([[9.,7.,9.,...,3.,2.,4.],
[5.,3.,3.,...,9.,7.,7.]])
np.hsplit(a,3)
輸出：
[array([[9.,7.,9.,6.],
[5.,3.,3.,1.]]),array([[7.,2.,1.,6.],
[7.,5.,0.,2.]]),array([[9.,3.,2.,4.],
[3.,9.,7.,7.]])]
np.hsplit(a,(3,4))
輸出：
[array([[9.,7.,9.],
[5.,3.,3.]]),array([[6.],
[1.]]),array([[7.,2.,1.,...,3.,2.,4.],
[7.,5.,0.,...,9.,7.,7.]])]

實現類似功能的函數包括：

hsplit,vsplit,array_split

8. 多維數組的復制操作

a=np.arange(12)
輸出：
array([0,1,2,...,9,10,11])


notatall

b=a
bisa#True
b.shape=3,4
a.shape#(3L,4L)

deff(x)#,sofunctioncallsmakeno.
print(id(x))#id是python對象的唯一標識符

id(a)#111833936L
id(b)#111833936L
f(a)#111833936L


淺復制

c=a.view()
cisa#False
c.baseisa#True
c.flags.owndata#False
c.shape=2,6
a.shape#(3L,4L)
c[0,4]=1234
print(a)
輸出：
array([[0,1,2,3],
[1234,5,6,7],
[8,9,10,11]])
s=a[:,1:3]
s[:]=10
print(a)
輸出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])


深復制
d=a.()
disa#False
d.baseisa#False
d[0,0]=9999
print(a)
輸出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])

numpy基本函數和方法一覽

Array Creation

arange,array,,empty,empty_like,eye,fromfile,fromfunction,identity,linspace,logspace,mgrid,ogrid,ones,ones_like,r,zeros,zeros_like

Conversions

ndarray.astype,atleast_1d,atleast_2d,atleast_3d,mat

Manipulations

array_split,column_stack,concatenate,diagonal,dsplit,dstack,hsplit,hstack,ndarray.item,newaxis,ravel,repeat,reshape,resize,squeeze,swapaxes,take,transpose,vsplit,vstack

Questionsall,any,nonzero,where

Ordering

argmax,argmin,argsort,max,min,ptp,searchsorted,sort

Operations

choose,compress,cumprod,cumsum,inner,ndarray.fill,imag,prod,put,putmask,real,sum

Basic Statistics

cov,mean,std,var

Basic Linear Algebra

cross,dot,outer,linalg.svd,vdot

完整的函數和方法一覽表鏈接：

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

⑧ python svd主題數怎麼設定

根據你的實際需要，一般有兩種需要：
第一種是通過SVD進行降維，那麼SVD主題數可以設置的大一點，如50-100，因為需要使用分解後的矩陣作為詞向量
另一種是進行主題分析，此時應該根據你數據集的情況預估計主題數目，大約設置10-20之間。

⑨ Python問題：from scipy import linalg出錯

我也遇到了這個問題，剛開始我以為是scipy包的問題，可是重新安裝了個64位的還是出錯，於是我就重裝了numpy，這次不用pip而是自己下了一個64位的，然後安裝後就能import sklearn了 =_=，so 又是scipy的import問題可能是因為其他的相關包出問題了