Hi，大家好，我是编程小6，很荣幸遇见你，我把这些年在开发过程中遇到的问题或想法写出来，今天说一说Python机器学习（五十）NumPy 线性代数,希望能够帮助你!!!。

NumPy中包含了numpy.linalg模块，提供线性代数运算功能。下表描述了该模块中的一些重要功能。

SN函数描述

1dot()两个数组的点积

2vdot()两个向量的点积

3inner()两个数组的内积

4matmul()两个数组的矩阵乘积

5det()计算矩阵的行列式

6solve()解线性矩阵方程

7inv()求矩阵的乘法逆矩阵

numpy.dot()

numpy.dot()计算两个数组的点积。

示例

import numpy as np  
a = np.array([[100,200],[23,12]])  
b = np.array([[10,20],[12,21]]) 

dot = np.dot(a,b)  #[100 * 10 + 200 * 12, 100 * 20 + 200 * 21] [23*10+12*12, 23*20 + 12*21]
print(dot)  

输出

[[3400 6200]
 [ 374  712]]

numpy.vdot()

numpy.dot()计算两个向量的点积。

示例

import numpy as np  
a = np.array([[100,200],[23,12]])  
b = np.array([[10,20],[12,21]])  

vdot = np.vdot(a,b)  # 100 *10 + 200 * 20 + 23 * 12 + 12 * 21
print(vdot)  

输出

5528

numpy.inner()

numpy.inner()计算两个数组的内积。这个函数返回一维数组内部元素乘积的和。对于n维数组，它返回元素在最后一个轴上的乘积的和。

示例

import numpy as np  
a = np.array([1,2,3,4,5,6])  
b = np.array([23,23,12,2,1,2])  
inner = np.inner(a,b)  # 1*23 + 2*23 + 3*12 + 4*2 + 5*1 + 6*2
print(inner)  

输出

130

numpy.matmul()

numpy.matmul()计算两个数组的矩阵乘积。

示例

import numpy as np  
a = np.array([[1,2,3],[4,5,6],[7,8,9]])  
b = np.array([[23,23,12],[2,1,2],[7,8,9]])  
mul = np.matmul(a,b)  
print(mul) 

输出

[[ 48  49  43]
 [144 145 112]
 [240 241 181]]

numpy.linalg.det()

numpy.linalg.det()计算矩阵的行列式。

矩阵的行列式可以用对角元素来计算。下面是2×2矩阵的行列式

A B
C D

det()计算公式：AD – BC

示例

import numpy as np  
a = np.array([[1,2],[3,4]])  
print(np.linalg.det(a)) 

输出

-2.0000000000000004

numpy.linalg.solve()

numpy.linalg.solve()解线性矩阵方程。

这个函数用于解线性方程，学过线性代数可知，线性方程可以表示为矩阵。

如下面的方程：

x + y = 20
x - y = 10

可以表示为3个矩阵的方程：

矩阵a：
1   1
1   -1

矩阵b:
x
y

矩阵c:
20
10

方程式可以表示为：
a x b = c

示例

import numpy as np  
a = np.array([[1,1],[1,-1]])  
c = np.array([[20], [10]])  
b = np.linalg.solve(a, c)

print(b)  

输出

[[15.]
 [ 5.]]

scipy非线性方程组求解
求解线性方程组比较简单，只需要用到一个函数(scipy.linalg.solve)就可以了。比如我们要求以下方程的解，这是一个非齐次线性方程组：

程序代码：

import numpy as np
from scipy.linalg import solve
#输出系数矩阵
a=np.array([[3,1,-2],[1,-1,4],[2,0,3]])
#值
b=np.array([5,-2,2.5])
#计算
x=solve(a,b)
#打印结果
print(x)

执行结果：

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59051
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
[0.5 4.5 0.5]

简单的方程求解

对2x-4=0的一元一次方程求解

from sympy import *
x= symbols('x')
print(solve(x*2-4,x))

执行结果：

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59147
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
[2]

需要说明的是：solve：第一个参数为要解的方程，要求右端等于0，第二个参数为要解的未知数。还有一些 其他的参数，想了解的可以去看官方文档。

二元一次方程方程的求解

求解方程：

from sympy import *
x,y= symbols('x,y')
print(solve([2*x-y-3,3*x+y-7],[x,y]))

执行结果：

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59201
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
{x: 2, y: 1}

一元二次方程的求解
求解：

from sympy import *
x= symbols('x')
print(solve(x**2+2*x+1,x))

执行结果：

[-1]
[Finished in 1.0s]

求解八元一次方程

from sympy import *

a1,b1,c1,d1,a2,b2,c2,d2=symbols('a1,b1,c1,d1,a2,b2,c2,d2')
x0,x1,x2,y0,y1,y2=symbols('x0,x1,x2,y0,y1,y2')
result=solve([a1+b1*x0+c1*x0*x0+d1*x0*x0*x0-y0,
    a1+b1*x1+c1*x1*x1+d1*x1*x1*x1-y1,
    a2+b2*x1+c2*x1*x1+d2*x1*x1*x1-y1,
    a2+b2*x2+c2*x2*x2+d2*x2*x2*x2-y2,
    b1+2*c1*x1+3*d1*x1*x1-b2-2*c2*x1-3*d2*x1*x1,
    c1+3*d1*x1-c2-3*d2*x1,
    c1+3*d1*x0,
    c2+3*d2*x2],[a1,b1,c1,d1,a2,b2,c2,d2])
#设置参数
cs=[(x0,6),(x1,9),(x2,12),(y0,0),(y1,3),(y2,0)]

# print(result[a1])
# print(result[b1])
# print(result[c1])
# print(result[d1])
# print(result[a2])
# print(result[b2])
# print(result[c2])
# print(result[d2])

a1=result[a1].subs(cs)
b1=result[b1].subs(cs)
c1=result[c1].subs(cs)
d1=result[d1].subs(cs)
a2=result[a2].subs(cs)
b2=result[b2].subs(cs)
c2=result[c2].subs(cs)
d2=result[d2].subs(cs)
print(a1)
print(b1)
print(c1)
print(d1)
print(a2)
print(b2)
print(c2)
print(d2)

执行结果

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59277
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
3
-9/2
1
-1/18
-78
45/2
-2
1/18

Python求解各种复杂的线性/非线性方程组
本文将要介绍几种方法去求解各种复杂的方程组，包括实数域和复数域的线性、非线性方程组，并对比这几种方法的优缺点。本文用到了numpy、scipy、sympy这三个科学计算包。

一、线性方程组。

线性方程组可以用numpy去求解。
1.实数域。

import numpy as np
a=np.mat('1,2,3;2,4,8;9,6,3')
b=np.mat('1;1;3')
c=np.linalg.solve(a,b)

输出如下：

2.复数域。

import numpy as np
a=np.mat('1,-1j;1j,-1')
b=np.mat('1;1')
c=np.linalg.solve(a,b)

输出如下：

回到顶部

二、非线性方程组。

scipy和sympy不但可以解线性方程(组)，还可以求解非线性方程(组)，但是也有各自的优缺点。

1.scipy求解
scipy.optimize里面有两个函数可以数值求解方程组，分别是root和solve，这两个函数会找到方程组的一个近似解。下面通过例子介绍这两个函数的使用。

(1).root
scipy.optimize.root(fun, x0, args=(), method=‘hybr’, jac=None, tol=None, callback=None, options=None)
其中参数fun是一个函数，你需要定义这个函数，并且你定义的这个函数返回一个方程组。 参数x0是方程组解的初始猜测值，是必须要指定的参数，root函数将找到最靠近x0的一个解。参数args是函数fun的额外参数。参数method默认是‘hybr’，此参数还可以取 ‘lm’ ‘broyden1’ ‘broyden2’ ‘anderson’ ‘linearmixing’ ‘diagbroyden’ ‘excitingmixing’ ‘krylov’ ‘df-sane’，代表采用不同的算法去求解。参数tol可以认为是精度。

先来看看实数域的例子

from scipy.optimize import root

def f1(x):
return [x[0]+x[0]*x[1]-2,x[0]-x[1]-2]

print(root(f1,[0,-1]).x)#初始猜测值[0,-1]
print(root(f1,[0,0]).x)#初始猜测值[0,0]

输出如下：

求出的近似解与真解相差非常小。设置不同的初始猜测值可能得到不同的解，这是因为有的方程组的解不一定只有一个，可能有多个解，root函数会得到最接近初始猜测值的一个解。

此外，在上面的基础上我们可以设置参数jac来提高运算速度（尤其是计算量很大时效果很明显）。
我们需要再定义一个函数，这个函数返回值是方程组对应的雅可比矩阵，通过下面的例子说明。

from numpy import array,mat,sin,cos,exp
from scipy.optimize import root

def f(x):
eqs=[]
eqs.append(x[0]*x[1]+x[1]*x[2]+sin(x[0])*exp(x[1])+x[1])
eqs.append(x[0]*x[1]-exp(x[0])*x[1]+1)
eqs.append(x[1]*x[2]+exp(x[1])*x[2]+1) 
return eqs

def jac1(x):#方程组对应的雅可比矩阵
return mat([[x[1]+cos(x[0])*exp(x[1]), x[0]+x[2]+sin(x[0])*exp(x[1])+1, x[1]],
[x[1]-exp(x[0])*x[1], x[0]-exp(x[0]), 0],
[0 ,x[2]+exp(x[1])*x[2], x[1]+exp(x[1])]])

print(root(f,[0,0,0]).x)
print(root(f,[0,0,0],jac=jac1).x)#加上参数jac加快运算速度

输出如下：

再来看一个复数域的例子

如果不设置参数method，它默认是‘hybr’，即用改进的Powell hybrid算法求解，它不适用于复数域。此时我们不能再用上面的办法，我们可以设置参数method=‘krylov’ (此算法牺牲精度换取速度，有利有弊)

from scipy.optimize import root

def f1(x):
return [x[0]*(1j)+x[0]*x[1]+1,x[0]+x[1]-1j]

print(root(f1,[1,1],method='krylov').x)
print(root(f1,[1,1],method='krylov',tol=1e-10).x)#设置能够允许的误差为10的-10次方

输出如下：

第一行输出没有设置参数tol，得到的解与真解的差别还是有一点的。
第二行输出我们设置了参数tol是10的-10次方，得到的解与真解的差别就相当小了。
另外method参数也可以设为别的，解复数域的非线性方程组建议用method=‘krylov’，它不需要雅可比矩阵，它在处理很庞大、变量很多的方程组时比较好用。

(2).fslove
fsolve的用法和root很类似，但是它的功能不如root全面，fsolve其实就是用hybr算法求解, 因此它不能解复数域的方程组。下图可以看出fsolve和root的差别：

可见，fsolve只是root的一小部分。

scipy.optimize.fsolve(func, x0, args=(), fprime=None, full_output=0, col_deriv=0, xtol=1.49012e-08, maxfev=0, band=None, epsfcn=None, factor=100, diag=None)
（其中参数fprime对应雅可比矩阵，其余参数和root函数基本一样。）

from scipy.optimize import fsolve
from numpy import array,mat

def f1(x):
return [x[0]+x[0]*x[1]-2,x[0]-x[1]-2]

def jac1(x):#方程组对应的雅可比矩阵
return mat([[1+x[1],x[0]],[1,-1]])

print(fsolve(f1,[0,-1]))#初始猜测值[0,-1]
print(fsolve(f1,[0,-1],fprime=jac1))#初始猜测值[0,-1],并设置参数prime
print(fsolve(f1,[0,0]))#初始猜测值[0,0]
print(fsolve(f1,[0,0],fprime=jac1))#初始猜测值[0,0],并设置参数prime

2.sympy求解
sympy中的solve函数可以严格求解某些方程组，nsolve可以数值求近似解。
(1).solve
直接看一个复数域的例子：

from sympy import symbols,Eq,solve
x0,x1=symbols('x0 x1')
eqs=[Eq(x0*(1j)+x0*x1,-5),Eq(x0+x1,1j)]
print(solve(eqs,[x0,x1]))

输出如下：

solve函数就会找到所有的解。但是像超越方程之类的不存在求根公式的方程，solve函数是不能求解的，只能数值求解，要用nsolve函数。
(2).nsolve
nsolve函数需要指定一个初始猜测解。

from sympy import symbols,Eq,nsolve
x0,x1=symbols('x0 x1')
eqs=[Eq(x0*(1j)+x0*x1,-5),Eq(x0+x1,1j)]
print(nsolve(eqs,[x0,x1],[1,1]))#初始猜测解设为[1，1]

输出如下：

nsolve有时候并不是很好使，初始猜测解设的不好，它有可能找不到解。

三、scipy和sympy的优缺点分析。
1.scipy.optimize.root求解方程组速度很快，尤其是加上参数jac或参数method='krylov’时，求解大型方程组速度会很明显的比其它办法快，即使是1000个变量的方程组，它也能很快解完。但是有的方程组有多解(比如二次方程有俩根)，而scipy.optimize.root只能得到靠近初始猜测值的那个解。
2.对一些形式比较简单的、有求根公式的方程，sympy.solve虽然能得到它所有的严格解，但是当方程组变量较多时，它求起来会很慢。而且对于不存在求根公式的复杂方程，sympy.solve是求不了的，这时要用sympy.nsolve的求数值解，速度也比scipy.optimize.root慢很多。

四、总结
1.线性方程组用numpy.linalg.solve足矣。（实数域复数域都可以）
2.求解非线性方程组，如果存在求根公式的且未知量数目较少的方程组，可以用sympy求。如果是很庞大且形式较复杂的方程组，用scipy.optimize.root数值求解，最好写出雅可比矩阵以提高运算速度。(如果你懒得写雅可比矩阵，就设置参数method=‘krylov’，解起来速度也很快，只不过精度不高)。

最后展示一段代码，测试一下scipy.optimize.root的求解速度，这里是求解含有400个未知量的非线性方程组，解20次，耗时2秒。

from numpy import array,arange,sin,cos,sqrt,exp,pi,meshgrid,dtype,linalg,zeros
from scipy.optimize import root,fsolve
from matplotlib.pyplot import figure,xlabel,ylabel,show,text
from mpl_toolkits.mplot3d import Axes3D
from time import time

def run(m,n,marker=None):
v=1
L,T=pi,1
h,tao=L/m,T/n
mlist=arange(0,m+1)
nlist=arange(0,n+1)
f=lambda x,t:exp(-2*t)*sin(x)*cos(x)
phi=lambda x:sin(x)
realsolve=lambda x,t:exp(-t)*sin(x)
mysolves=[phi(mlist*h)]

def u(x,ii,j):
if j==1:
return x[ii]
elif j==1/2:
return (x[ii]+x_former[ii])/2
elif j==0:
return x_former[ii]
else:
print("error")

def jac(x):#雅可比矩阵
a=zeros((m+1,m+1))
a[0][0]=1
a[-1][-1]=1
for i in range(1,m):
a[i][i-1]=1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2-((x[i-1]+x_former[i-1])/2+(x[i]+x_former[i])/2+(x[i+1]+x_former[i+1])/2))-v/(2*h*h)
a[i][i]=1/tao+1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2)+v/(h*h)
a[i][i+1]=1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2+((x[i-1]+x_former[i-1])/2+(x[i]+x_former[i])/2+(x[i+1]+x_former[i+1])/2))-v/(2*h*h)

return a

def eqsgroup(x):
eqs=[x[0]]
for i in range(1,m):
eqs.append(1/tao*(u(x,i,1)-u(x,i,0))+1/(6*h)*(u(x,i-1,1/2)+u(x,i,1/2)+u(x,i+1,1/2))*(u(x,i+1,1/2)-u(x,i-1,1/2))-v/h/h*(u(x,i-1,1/2)-2*u(x,i,1/2)+u(x,i+1,1/2))-f(i*h,k*tao) )#
eqs.append(x[m])
return array(eqs)

x_former=phi(mlist*h)
start=time()
for k in arange(0,n):
#x_former=fsolve(eqsgroup,x_former,fprime=jac)
x_former=root(eqsgroup,x_former,jac=jac).x
mysolves.append(list(x_former))
print('scipy计算时间为',time()-start,'秒')

x,y=mlist*h,nlist*tao
x,y=meshgrid(x, y)
z=array(mysolves,dtype=dtype('float32'))
z2=array(realsolve(x,y))
dz=z-z2
ekmax=array(linalg.norm(dz,axis=1)*sqrt(h)).max()

fig = figure(figsize=(15, 10),dpi=80)
axes3d = Axes3D(fig)
axes3d.set_title(r'$h=\pi/#39;+str(m)+r' $\tau=1/#39;+str(n),color = 'black',size = 30) 
axes3d.plot_surface(x,y,z)
axes3d.plot_surface(x,y,z2)
xlabel('x',color = 'black',size = 30)
ylabel('t',color = 'black',size = 30)
axes3d.set_xlim(0,pi)
axes3d.set_xticks([0,pi/4,pi/2,0.75*pi,pi])
axes3d.set_xticklabels([0, r'$\frac{\pi}{4}#39;, r'$\frac{\pi}{2}#39;, r'$\frac{3\pi}{4}#39;, r'$\pi#39;],size=20)
axes3d.set_zlabel(r'$U(x,t)#39;,color = 'black',size=30)
axes3d.set_zticks(arange(0,1,0.1))
axes3d.set_zticklabels([0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9],size=13)
show()


run(400,20)

如果用sympy去解，等很久都解不出。scipy解非线性方程组的能力不比matlab差。

矩阵的特征值和特征向量

1

2

3

4

5

6

import numpy as np

A = np.array([[3,-1],[-1,3]])

print('打印A：\n{}'.format(A))

a, b = np.linalg.eig(A)

print('打印特征值a：\n{}'.format(a))

print('打印特征向量b：\n{}'.format(b))

执行结果：

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=54930
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
打印A：
[[ 3 -1]
 [-1  3]]
打印特征值a：
[4. 2.]
打印特征向量b：
[[ 0.70710678  0.70710678]
 [-0.70710678  0.70710678]]

一 要点

• 假定AX=b，求解未知矩阵X 【线性代数中常遇到的运算问题】
• 矩阵转置A^(T)
• 矩阵的逆A^(-1)
• 矩阵行列式的值|A|
• 矩阵的秩 rank(A)
• 矩阵的迹 trace(A)
• 其它
• 单位矩阵
• 0向量/矩阵
• ...

二 示例应用

2.1 求解AX=b中的未知参数矩阵X

import numpy as np

# Hypothsis : A*X = b

A = [[2,1,2],
     [3,1,0],
     [1,1,-1]];
b = np.transpose([-3,5,-2])# 转置
#[or] b = np.transpose(np.array([-3,5,-2]))# 转置

# 求解未知参数矩阵X
X = np.linalg.solve(A,b) # 方式一：直接使用numpy的solve函数一键求解
#A_inv=np.linalg.inv(A) # 方式二：先求逆运算，再点积求值
#X=np.dot(A_inv,b) # a.dot(b) 与 np.dot(a,b) 效果相同；but np.dot(a,b)与np.dot(b,a)效果肯定是不同的(线性代数/矩阵常识)
print("方程组的解：\n",X);
# [output]
方程组的解：
 [ 4.4 -8.2 -1.8]

2.2 利用最小二乘法拟合函数模型

给出一组数据【5对（Xi,Yi）参数】，用最小二乘法，求形如：f(x)=a+b*x^3的经验公式。

• 原方程(模型)

f(x)=a+bx3f(x)=a+bx3

• 其法方程

ATA(ab)=ATyATA(ab)=ATy

即

(ab)=(ATA)−1ATy(ab)=(ATA)−1ATy

import numpy as np
import matplotlib.pyplot as plt  # Python 绘图工具(业界推荐)

# 数据初始化
A = [
    [1,pow(-3,3)],
    [1,pow(-2,3)],
    [1,pow(-1,3)],
    [1,pow(2,3)],
    [1,pow(4,3)]
];

At =  np.transpose(A); # A的转置矩阵

y = np.transpose([14.3,8.3,4.7,8.3,22.7]);


# step1:求解
## 令 (a ,b)^T 为 未知参数X
X = np.dot(np.dot(np.linalg.inv(np.dot(At,A)),At),y)
print(X)
print("a:",X[0])
print("b:",X[1])

# step2:查看拟合效果
x = [-3,-2,-1,2,4];
## 1. 计算拟合数值 fitValue
def fitValue(arg_x):
    a = X[0];
    b = X[1];
    return a + b*pow(arg_x,3);

fitValues = np.zeros([5]); # 创建长为5的【一维】数组；[1,5]：创建第1行为5个元素的【二维】数组 
for i in range(0,len(fitValues)):
    fitValues[i] = fitValue(x[i]);
    print(i,":","x(i):",x[i],"fit Y:",fitValues[i]); # just for test
    pass;

## 2. 绘图可视化
yt = np.transpose(y); # y的转置
plt.rcParams['figure.dpi'] = 100 #分辨率
plt.scatter(x, yt, marker = '*',color = 'red', s = 10 ,label = 'Actual Dataset') # 真实数据集
plt.scatter(x, fitValues, marker = 'x',color = 'green', s = 10 ,label = 'Fitting Dataset') #[拟合数据集]
plt.legend(loc = 'best')    # 设置 图例所在的位置 使用推荐位置
plt.show() 


# [output]
[ 10.67505325   0.13679816]
a: 10.6750532504
b: 0.136798159666
0 : x(i): -3 fit Y: 6.98150293942
1 : x(i): -2 fit Y: 9.58066797308
2 : x(i): -1 fit Y: 10.5382550907
3 : x(i): 2 fit Y: 11.7694385277
4 : x(i): 4 fit Y: 19.430135469

2.3 数组创建/初始化

• numpy.linspace(start, stop[, num=50[, endpoint=True[, retstep=False[, dtype=None]]]]])
• 一维等差数列
• return 在指定范围内的均匀间隔的数字（组成的数组），也即返回一个等差数列
• 参数
• start - 起始点
• stop - 结束点
• num - 元素个数，默认为50，
• endpoint - 是否包含stop数值，默认为True，包含stop值；若为False，则不包含stop值
• retstep - 返回值形式，默认为False，返回等差数列组，若为True，则返回结果(array([samples, step])),
• dtype - 返回结果的数据类型，默认无，若无，则参考输入数据类型。

import numpy as np

a = np.linspace(1,10,5,endpoint= True)
print(a) # [ 1.    3.25  5.5   7.75 10.  ]

b = np.linspace(1,10,5,endpoint= False)
print(b) #[1.  2.8 4.6 6.4 8.2]

c = np.linspace(1,10,5,retstep = False)
print(c) # [ 1.    3.25  5.5   7.75 10.  ]

d = np.linspace(1,10,5,retstep = True)
print(d) # (array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ]), 2.25)

2.4 线性代数常用运算

print("原矩阵A：\n",A);
print("原矩阵b：\n",b);

print("转置矩阵A^T：\n",np.transpose(A)); # 转置
print("矩阵的行列式值|A|：\n",np.linalg.det(A)); # 方阵的行列式值：|A|
print("矩阵的迹trace(A)：\n",np.trace(A)); 
print("矩阵的秩rank(A)：\n",np.linalg.matrix_rank(A)); 
print("逆矩阵A^(-1)：\n",np.linalg.inv(A)); #矩阵的逆运算(条件：矩阵A可逆(行列式值不为0)| 矩阵A为方阵)

print("*"*30); # 分隔线

print("N阶单位矩阵:\n",np.eye(4));
print(np.zeros([5])); # 创建长为5的【一维】数组；[1,5]：创建第1行为5个元素的【二维】数组 

# 创建指定的初始化数组
print(np.array([1]))  # 生成 第1行含值为1的元素的【一维】数组
print(np.array([[56]])) # 生成 第1行含值为56的元素的【二维】数组
np.full((3,5),3.14) # 创建一个3x5的浮点型数组，数组的值都是3.14
# [output]
原矩阵A：
 [[2, 1, 2], [3, 1, 0], [1, 1, -1]]
原矩阵b：
 [-3  5 -2]
转置矩阵A^T：
 [[ 2  3  1]
 [ 1  1  1]
 [ 2  0 -1]]
矩阵的行列式值|A|：
 5.0
矩阵的迹trace(A)：
 2
矩阵的秩rank(A)：
 3
逆矩阵A^(-1)：
 [[-0.2  0.6 -0.4]
 [ 0.6 -0.8  1.2]
 [ 0.4 -0.2 -0.2]]
**********************
N阶单位矩阵:
 [[ 1.  0.  0.  0.]
 [ 0.  1.  0.  0.]
 [ 0.  0.  1.  0.]
 [ 0.  0.  0.  1.]]
[ 0.  0.  0.  0.  0.]
[1]
[[56]]

今天的分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。