Numpy矩阵如何高效处理长尾词数据？

本文共计1076个文字，预计阅读时间需要5分钟。

NumPy的numpy.matlib模块提供了矩阵运算功能，其中的函数返回的是矩阵而不是ndarray对象。

NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。

NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。

一个 的矩阵是一个由行（row）列（column）元素排列成的矩形阵列。

矩阵里的元素可以是数字、符号或数学式。

1.矩阵创建

In [ ]:

import numpy as np np.array([[1,2],[3,4]])

Out[ ]:

array([[1, 2], [3, 4]])

In [ ]:

#创建矩阵 np.mat([[1,2],[3,4]])

Out[ ]:

matrix([[1, 2], [3, 4]])

In [ ]:

#创建矩阵 np.matrix([[11,21],[31,41]])

Out[ ]:

matrix([[11, 21], [31, 41]]) 2.矩阵合成

In [ ]:

a=np.mat([[1,2],[3,4]]) b=np.matrix([[11,21],[31,41]]) #合成矩阵 np.bmat('a b')

Out[ ]:

matrix([[ 1, 2, 11, 21], [ 3, 4, 31, 41]])

In [ ]:

a=[[1,2],[3,4]] b=[[1,1],[1,1]] 3.矩阵乘法

In [ ]:

#作为二维数组进行相乘 np.array(a)*np.array(b)

Out[ ]:

array([[1, 2], [3, 4]])

In [ ]:

#作为矩阵相乘法一 np.array(a).dot(np.array(b))

Out[ ]:

array([[3, 3], [7, 7]])

In [ ]:

#作为矩阵相乘法二 np.matrix(a)*np.matrix(b)

Out[ ]:

matrix([[3, 3], [7, 7]])

In [ ]:

print(np.matrix(a)) print(np.matrix(b)) [[1 2] [3 4]] [[1 1] [1 1]] 4.矩阵求逆

In [ ]:

#使用矩阵内置算法求逆 np.matrix(a).T

Out[ ]:

matrix([[1, 3], [2, 4]]) 5.矩阵推导式

In [ ]:

#将矩阵元素同乘平方法一 [[j**2 for j in i] for i in a]

Out[ ]:

[[1, 4], [9, 16]]

In [ ]:

#将矩阵元素同乘平方法二 np.array(a)**2

Out[ ]:

array([[ 1, 4], [ 9, 16]]) 6.矩阵加减乘除

广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。

如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制

In [ ]:

#广播计算 a=[[0]*3,[1]*3,[2]*3,[3]*3] a

Out[ ]:

[[0, 0, 0], [1, 1, 1], [2, 2, 2], [3, 3, 3]]

In [ ]:

np.array(a)+np.array([1,2,3])

Out[ ]:

array([[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]])

In [ ]:

np.array(a)+np.array([[1],[2],[3],[4]])

Out[ ]:

array([[1, 1, 1], [3, 3, 3], [5, 5, 5], [7, 7, 7]]) 8.iris数据矩阵化预处理

In [ ]:

#读取iris数据集里的数据，并对其进行排序，去重，并求出和，累积和，均值，标准差，方差，最小值，最大值 data=np.loadtxt('./data/iris_sepal_length.csv')

In [ ]:

#进行排序 data.sort()

In [ ]:

#数据去除 data=np.unique(data)

In [ ]:

#求和 np.sum(data)

Out[ ]:

210.39999999999998

In [ ]:

np.cumsum(data)

Out[ ]:

array([ 4.3, 8.7, 13.2, 17.8, 22.5, 27.3, 32.2, 37.2, 42.3, 47.5, 52.8, 58.2, 63.7, 69.3, 75. , 80.8, 86.7, 92.7, 98.8, 105. , 111.3, 117.7, 124.2, 130.8, 137.5, 144.3, 151.2, 158.2, 165.3, 172.5, 179.8, 187.2, 194.8, 202.5, 210.4])

In [ ]:

print(np.mean(data)) #求均值 print(np.std(data)) #求标准差 print(np.var(data)) #求方差 print(np.min(data)) #求最小值 print(np.max(data)) #求最大值 6.011428571428571 1.0289443768310533 1.0587265306122449 4.3 7.9 9.参考文章

菜鸟教程-numpy矩阵