Numpy入门（三）：Numpy概率模块和线性代数模块

Numpy中经常使用到的两个模块是概率模块和线性代数模块，random 和 linalg 两个模块。

概率模块

• 产生二项分布的随机数：np.random.binomial(n,p,size=…)，其中n,p,size分别是每轮试验次数、概率、轮数

• 产生超几何分布随机数：np.random.hypergeometric(n1,n2,n,size=…)，其中参数意义分别是物件1总量、物件2总量、每次采样数、试验次数

• 产生N个正态分布的随机数：np.random.normal(均值，标准差，N)

• 产生N个对数正态分布的随机数：np.random.lognormal(mean,sigma,N)

  import numpy as np

  a = np.random.random(size=10)
  
  print a
  
  print a.reshape(2,5)

  [0.49377182 0.77456027 0.21313427 0.79165445 0.27105407 0.75815576
  
  0.44956657 0.7455359 0.95411294 0.75944278]
  
  [[0.49377182 0.77456027 0.21313427 0.79165445 0.27105407]
  
  [0.75815576 0.44956657 0.7455359 0.95411294 0.75944278]]

线性代数模块

• 估计线性模型中的系数：a=np.linalg.lstsq(x,b),有b=a*x

• 求方阵的逆矩阵：np.linalg.inv(A)

• 求广义逆矩阵：np.linalg.pinv(A)

• 求矩阵的行列式：np.linalg.det(A)

• 解形如AX=b的线性方程组：np.linalg.solve(A,b)

• 求矩阵的特征值：np.linalg.eigvals（A）

• 求特征值和特征向量：np.linalg.eig(A)

• Svd分解：np.linalg.svd(A)

svd分解在机器学习中，有着非常多的意义，这里使用Numpy进行svd分解：

import numpy as np

A = np.array([[2, 2], [1, 3], [0, 4], [0, 0]])

U,N,P = np.linalg.svd(A)

print U
print N
print P

更多教程：阿猫学编程