新浦京81707con > 功能介绍 > Python数据分析,统计学与线性代数

原标题:Python数据分析,统计学与线性代数

浏览次数:92 时间:2019-06-12

数据十分大形况下是无规律的,并且包罗空白的要么无法管理的字符,掩码式数组能够很好的大体残缺的依旧是不行的数总局。掩码式数组由1个常规数组与1个布尔式数组组成,若布尔数组中为Ture,则意味着常常数组中对应下标的值无效,反之False表示对应平常数组的值有效。

计算学与线性代数

总括学与线性代数

开创方法为,首先创设二个布尔型数组,然后通过numpy.ma子程序包提供的函数来创造掩码式数组,掩码式数组提供了各类所需函数。

用Numpy实行简单的描述性总计总计

import numpy as np
from scipy.stats import scoreatpercentile
data=np.loadtxt("mdrtb_2012.csv",delimiter=',',usecols=(1,),skiprows=1,uppack=True)
#加载数据




print("Max method",data.max())
print("Max function",np.max(data))


print("Min method",data.min())
print("Min function",np.min(data))


print("Mean method",data.mean())
print("Mean function",np.mean(data))


print("Std method",data.std())
print("Std function",np.mean(data))

print("Median",np.median(data))
print("Score at percentile 50",scoreatpercentile(data,50))

用Numpy举行简要的描述性计算测算

import numpy as np
from scipy.stats import scoreatpercentile
data=np.loadtxt("mdrtb_2012.csv",delimiter=',',usecols=(1,),skiprows=1,uppack=True)
#加载数据




print("Max method",data.max())
print("Max function",np.max(data))


print("Min method",data.min())
print("Min function",np.min(data))


print("Mean method",data.mean())
print("Mean function",np.mean(data))


print("Std method",data.std())
print("Std function",np.mean(data))

print("Median",np.median(data))
print("Score at percentile 50",scoreatpercentile(data,50))

创办实举例下:

用Numpy实行线性代数运算

子程序包numpy.linalg提供了广大线性代数例程,大家得以用它来计算矩阵的逆、计算特征值、求解线性方程或总结行列式。对于Numpy来讲,矩阵可以用ndarray的2个子类来表示。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
inverse=np.linalg.inv(A)
print("inverse of An",inverse)

注意:np.mat的构造

用Numpy进行线性代数运算

子程序包numpy.linalg提供了成都百货上千线性代数例程,大家能够用它来计量矩阵的逆、计算特征值、求解线性方程或总括行列式。对于Numpy来讲,矩阵能够用ndarray的一个子类来代表。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
inverse=np.linalg.inv(A)
print("inverse of An",inverse)

注意:np.mat的构造

import numpy as np
origin = np.arange(16).reshape(4,4)  #生成一个4×4的矩阵
np.random.shuffle(origin)     #随机打乱矩阵元素
random_mask = np.random.randint(0,2,size=origin.shape)#生成随机[0,2)的整数的4×4矩阵
mask_array = np.ma.array(origin,mask=random_mask)#生成掩码式矩阵
print(mask_array)

用Numpy解线性方程组

矩阵能够经过线性子局把三个向量转变成另3个向量,因而从数值总括的角度看,这种操作对应于一个线性方程组。Numpy.linalg中的solve()子例程能够求解类似Ax=b这种样式的线性方程组,当中A是一个矩阵,b是1维依旧二维数组,而x是未知量。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
b=np.array([0,8,-9])
print("bn",b)
#调用solve()函数
x=np.linalg.solve(A,b)
print("solution",x)
#利用dot()函数进行验算
print("checkn",np.dot(A,x))

用Numpy解线性方程组

矩阵能够通过线性情势把二个向量调换来另多个向量,由此从数值总结的角度看,这种操作对应于1个线性方程组。Numpy.linalg中的solve()子例程能够求解类似Ax=b这种形式的线性方程组,个中A是多少个矩阵,b是一维或然二维数组,而x是未知量。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
b=np.array([0,8,-9])
print("bn",b)
#调用solve()函数
x=np.linalg.solve(A,b)
print("solution",x)
#利用dot()函数进行验算
print("checkn",np.dot(A,x))

结果如下:

用Numpy计算特征值和特征向量

特征值是方程式Ax=ax的标量解,个中A是1个贰维矩阵,而x是1维向量。特征向量实际上正是代表特征值的向量。

能够用子程序包numpy.linalg的eigvals()和eig()函数来获得矩阵的特征值和特征向量,并因此dot()函数来验算结果。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
#利用eig()函数计算特征值
print("Eigenvalues",np.linalg.eigvals(A))
#利用eig()函数取得特征值和特征向量
eigenvalues,eigenvectors=np.linalg.eig(A)
print("First tuple of eig ", eigenvalues)
print("second tuple of eig",eigenvectors)

用Numpy计算特征值和特征向量

特征值是方程式Ax=ax的标量解,在那之中A是一个二维矩阵,而x是一维向量。特征向量实际上便是意味特征值的向量。

能够用子程序包numpy.linalg的eigvals()和eig()函数来收获矩阵的特征值和特征向量,并因而dot()函数来验算结果。

import numpy as np
A=np.mat("2 4 6;4 2 6;10 -4 18")
print("An",A)
#利用eig()函数计算特征值
print("Eigenvalues",np.linalg.eigvals(A))
#利用eig()函数取得特征值和特征向量
eigenvalues,eigenvectors=np.linalg.eig(A)
print("First tuple of eig ", eigenvalues)
print("second tuple of eig",eigenvectors)

本文由新浦京81707con发布于功能介绍,转载请注明出处:Python数据分析,统计学与线性代数

关键词: 新浦京81707con Python Numpy 概率论 线性代数

上一篇:ajax方法提交表单,方法提交表单数据示例

下一篇:没有了