Python求解200维矩阵的逆 numpy矩阵维度

转载

码农小哥 2023-08-31 14:44:43

文章标签 Python求解200维矩阵的逆 numpy python 二维初始化 文章分类 Python 后端开发

阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。文章设置为仅粉丝可见，是因为写博客确实花了不少精力。希望互相进步谢谢！！

文章目录

阅读前请看一下：我是一个热衷于记录的人，每次写博客会反复研读，尽量不断提升博客质量。文章设置为仅粉丝可见，是因为写博客确实花了不少精力。希望互相进步谢谢！！
前言
1、维度究竟是行数还是列数？
2、shape又是什么？
3、常使用一维和二维，所以说一下初始化以及背后的转化。

3.1、初始化
3.2、常用的行向量、列向量初始化
3.3、高维如何降到低维？

4、为啥搞清维数那么重要？

前言

提示：这里可以添加本文要记录的大概内容：

学机器学习时，numpy的维度问题始终没搞清楚，今天总结了下。

提示：以下是本篇文章正文内容，下面案例可供参考

1、维度究竟是行数还是列数？

机器学习时总听到m维行向量、n维列向量。究竟维度是啥？这里的维度和numpy中一样嘛？

答案：不一样。

m维行向量：m维表示一行中有m列，由于是行向量，所以是1行m列
n维列向量：n维表示一行中有n行，由于是列向量，所以是n行1列
m维向量：看书的习惯了，一般书籍开头会说此本书以列向量为基准，那m维向量就指m维列向量了
矩阵：一般不说是几维，矩阵的表示一般就是dm。所以m维行向量也可以看作是m1的矩阵，n维列向量也可以看作是1*n的矩阵

但在numpy中维度概念不一样啊。numpy中维度就是平常所说的一维（只有x轴）、二维（x、y轴）、三维（x、y、z轴）…numpy中如何表示零维标量、一维、二维、三维等等？

标量print后只有一个数字
一维print后有一对花括号 [ ]
二维print后有两对 [ [] ]
三维print后有三对[ [ [] ] ]
依次类推…

注意，list里面也是同样规则。但list 和 ndarray背后有很大区别。

import numpy as np
a = 12
print("a : ", a)
print("shape of a : ", np.shape(a))   #标量，0维
print("type of a : ",type(a))
print("_____________________________________")
b = np.array(12)
print("b : ", b)
print("shape of b : ", np.shape(b))   #标量，0维
print("type of b : ",type(b))
print("_____________________________________")
c = [12]
print("c : ", c)
print("shape of c : ", np.shape(c))   #一维向量
print("type of c : ",type(c))
print("_____________________________________")
d = np.array([12])
print("d : ", d)
print("shape of d : ", np.shape(d))   #一维向量
print("type of d : ",type(d))
print("_____________________________________")
e = np.array([12,13])
print("e : ", e)
print("shape of e : ", np.shape(e))   #一维向量
print("type of e : ",type(e))
print("_____________________________________")
f = np.arange(0, 20)
print("f : ", f)
print("shape of f : ", np.shape(f))   #一维向量
print("type of f : ",type(f))
print("_____________________________________")
g = np.array([[11],[12]])
print("g : ", g)
print("shape of g : ", np.shape(g))   #二维向量
print("type of g: ",type(g))

输出：

a : 12
shape of a : ()
type of a : <class ‘int’>
b : 12
shape of b : ()
type of b : <class ‘numpy.ndarray’>
c : [12]
shape of c : (1,)
type of c : <class ‘list’>
d : [12]
shape of d : (1,)
type of d : <class ‘numpy.ndarray’>
e : [12 13]
shape of e : (2,)
type of e : <class ‘numpy.ndarray’>
f : [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
shape of f : (20,)
type of f : <class ‘numpy.ndarray’>
g : [[11]
[12]]
shape of g : (2, 1)
type of g: <class ‘numpy.ndarray’>

2、shape又是什么？

形状呗。用 .shape 属性就能查看，或者 np.shape() 函数也行。

() 表示零维。
(20,) 表示1维。区别(20)，(20)python里等价于20。
(2,3) 表示2维。也就是所谓的矩阵了。线代里喜欢用 2*3 表示
(1,2,3) 表示3维。维度从右到左依次增高。

注意：

列向量或行向量即可看作一维，又可看作二维。例如[1,1,1]： 1、（3,）即一维 2、（1，3）即二维，1*3的矩阵

3、常使用一维和二维，所以说一下初始化以及背后的转化。

3.1、初始化

import numpy as np
import pandas
# 1、np.array()初始化，传入一个list即可。
a1 = np.array(12)                             #0维，()
a2 = np.array([12])                           #1维，(1,)
a3 = np.array([12,13])                        #1维，(2,)
a4 = np.array([[12,13], [14,15]])             #2维，(2,2)
# 此函数在pandas.read_csv()导入数据集后得用
# df = pandas.read_csv('temperature_dataset.csv')
# data = np.array(df)

# 2、np.arange()初始化，只能初始化1维。传入start、stop、步长
b1 = np.arange(3, 7, 0.5)                      #1维

# 3、np.linspace()初始化，也是只能初始化1维
c1 = np.linspace(3, 7, num=5)                  #1维

# 4、np.zeros()初始化，传入shape。创建一个全是0的数组
d1 = np.zeros(5)                               #1维
print(d1)  
d2 = np.zeros((5,))                            #1维，和上面等价
print(d2)
d4 = np.zeros(2,3)                             #报错！！！
print(d4)
d3 = np.zeros((2,3))                           #2维
print(d3)