第九章-Python数据处理与机器学习.pptxVIP

机器学习与大数据技术作者：牟少敏教授 第九章矩阵计算网络爬虫数据库OpenCV图像编程 Python数据处理与机器学习数据可视化基于Python机器学习算法基于Python大数据处理技术Tensorflow编程 创新与贡献研究意义选题背景第九章 本章主要介绍了如何用python进行数据处理和实现机器学习中常用算法的实现。学习目标 创新与贡献研究意义选题背景第九章9.1 矩阵计算 矩阵在图像处理和机器学习中应用非常广泛。numpy是Python中关于矩阵运算的库，能够完成矩阵加减乘除、矩阵转置、逆矩阵、行列式、矩阵的幂、伴随矩阵等功能。 创新与贡献研究意义选题背景第九章9.1 矩阵计算9.1.1基础知识1 numpy基础 numpy包含数组和矩阵两种基本的数据类型，有许多创建数组的函数，只有创建数组才能对其进行相关的操作。通过给array函数传递对象来创建数组，首先需要使用import语句导入numpy库。若使用的是import numpy命令，则在创建数组时用a = numpy.array([1, 2, 3, 4])的形式；若导使用的是import numpy as np命令，则在创建数组时用a = np.array([1, 2, 3, 4])。 创新与贡献研究意义选题背景第九章9.1 矩阵计算例9-1 使用numpy创建矩阵，然后打印出来，源码如下。import numpyimport numpy as np test1 =np.array([[1,2,3],[3,4,5]])print(test1.shape) print(test1.ndim) #打印数组维数。print(test1.min()) #打印最小值print(test1.sum()) #打印矩阵所有元素的和print(test1[0]) #矩阵的取值，这里取第一行print(test1[0,2]) #打印第一行的第3个元素 使用array函数创建数组时，参数必须是由方括号括起来的列表，而不能是多个数值。可使用双重序列来表示二维数组，三重序列表示三维数组，以此类推 创新与贡献研究意义选题背景第九章9.1 矩阵计算调用shape方法，可获取矩阵的大小，例如：(4, )：shape有一个元素即为一维数组，数组中有4个元素；(3, 4)：shape有两个元素即为二维数组，数组为3行4列。例9-7 使用sum(axis=1)方法对矩阵进行行求和，源码如下。test1 = np.array([[5, 10, 15], [20, 25, 30],[35, 40, 45]])test1.sum(axis=1)输出结果：array([30, 75, 120])例9-8 使用sum(axis=0)方法对矩阵进行列求和，源码如下。test1 = np.array([[5, 10, 15],[20, 25, 30],[35, 40, 45]])test1.sum(axis=0)#输出array([60, 75, 90])（2）矩阵行列计算（1）求矩阵大小 创新与贡献研究意义选题背景第九章9.1 矩阵计算（3）最值计算（4）矩阵转置 T表示矩阵的转置矩阵，也适用于高维向量。例9-12 求矩阵test转置矩阵，源码如下。test.shape = (6, 2)print (test)输出结果：[[ 4. 8.] [8. 0.] [ 6. 9.] [ 9. 2.] [ 4. 0.] [ 0. 0.]]test.T #计算转置输出结果：array([[ 4., 8., 6., 9., 4., 0.], [ 8., 0., 9., 2., 0., 0.]]) 创新与贡献研究意义选题背景第九章9.1 矩阵计算（5）矩阵乘法例9-14 对矩阵a和b进行乘法计算，源码如下。import numpy as npa = np.array([[1, 2],[3, 4]])b = np.array([[5, 6], [7, 8]])print (a*b) #对应位置元素相乘print (a.dot(b)) #矩阵乘法print (np.dot(a, b)) #矩阵乘法#输出 [[5 12] [21 32]] [[19 22] [43 50]] [[19 22] [43 50]] 创新与贡献研究意义选题背景第九章9.1 矩阵计算（6）创建矩阵例9-17创建1矩阵