Numpy + matplotlib + pandas 用法示例

matplotlib

import matplotlib.pyplot as plt

# 绘制数据散点图

plt.scatter(dataMat[0],dataMat[1],c = ‘red‘,marker = ‘o‘)

numpy

import numpy as np

生成向量、矩阵

vec = np.linspace(-2,2,100)  # 产生直线数据
myZero = np.zeros([3,5])  # 3*5的全0矩阵
myZero = np.ones([3,5])  # 3*5的全1矩阵
myRand = np.random.rand(3,4)  # 3行4列的0~1之间的随机数矩阵
myEye = np.eye(3)  # 3*3的矩阵

四则运算

newMat =  myOnes + myEye  # 元素的加和减（条件是矩阵的行数和列数必须相同）
newMat = a*matrix  # 矩阵乘常数
newMat = matrix.sum()  # 矩阵全部元素求和

‘‘‘
矩阵各元素的积：矩阵的点乘同维对应元素的相乘。
当矩阵的维度不同时，会根据一定的广播将维数扩
充到一致的形式
‘‘‘
matrix1 = mat([[1,2,3],[4,5,6],[7,8,9]])
matrix2 = 1.5*ones([3,3])
newMat = multiply(matrix1, matrix2)
输出结果：
[[  1.5   3.    4.5]
 [  6.    7.5   9. ]
 [ 10.5  12.   13.5]]

# 矩阵乘矩阵
matrix1 = mat([[1,2,3],[4,5,6],[7,8,9]])
matrix2 = mat([[1],[2],[3]])
newMat =matrix1 * matrix2
输出结果：
[[14]
 [32]
 [50]]

newMat = power(matrix1, 2)  # 矩阵各元素的n次幂:n=2

矩阵的变换

# 矩阵的转置
newMat = matrix1.T

matrix1.transpose()  # 转置（改写原矩阵）

from numpy import linalg
A = mat([[1,2,3],[4,5,6],[7,8,9]])
invA = linalg.inv(A)  # 矩阵的逆

n = linalg.det(A)  # 矩阵的行列式运算
n = linalg.matrix_rank(A)  # 矩阵的秩

矩阵其它操作

mymatrix = mymatrix1[0]  # 按行切片
print u"按行切片：",mymatrix
mymatrix = mymatrix1.T[0]  # 按列切片
print u"按列切片：",mymatrix
mymatrix = mymatrix1.copy()  # 矩阵的复制
print u"复制矩阵：",mymatrix

print u"矩阵元素的比较:\n",mymatrix<mymatrix1.T

‘‘‘ 输出结果 ‘‘‘
矩阵的行数和列数： 3 3
按行切片： [[1 2 3]]
按列切片： [[1 4 7]]
复制矩阵： [[1 2 3]
　　　　　  [4 5 6]
　　　　　  [7 8 9]]
矩阵元素的比较:
[[False  True  True]
 [False False  True]
 [False False False]]

可逆矩阵求解

A = np.mat([[1,2,4,5,7],[9,12,11,8,2],[6,4,3,2,1],[9,1,3,4,5],[0,2,3,4,1]])
b = np.mat([1, 0, 1, 0, 1])
S = linalg.solve(A, b.T)

# 输出结果：
matrix([[-0.0270936 ],
        [ 1.77093596],
        [-3.18472906],
        [ 1.68965517],
        [ 0.25369458]])

原文地址：https://www.cnblogs.com/brt3/p/10301853.html