Python学习之路_numpy

Python学习之路_numpy

这周老师给我们布置了一些关于numpy使用的题目，下面我来展示一下

0.

思路：

使用numpy中的randn来生成random Gaussian entries，使用自己写的Toeplitz函数生成Toeplitz矩阵

代码：

import numpy as np


def toeplitz(row_vector, column_vector):
    res = row_vector
    for i in range(1, column_vector.size):
        row_vector = np.roll(row_vector, 1)
        row_vector[0,0] = column_vector[i, 0]
        res = np.vstack((res, row_vector))
    return res

def myfunction(hh):
    tmp = np.ones((500,500))
    tmp = tmp*hh
    return np.dot(A, B-tmp)

A = np.random.randn(200,500)
first_row = range(1,501)
first_col = range(1,501)
B = toeplitz(np.random.randn(1, 500), np.random.randn(500, 1))

结果：

1.

思路：

加减可以直接用，但是点乘不行，要使用np.dot()函数

代码：

def myfunction(hh):
    tmp = np.ones((500,500))
    tmp = tmp*hh
    return np.dot(A, B-tmp)

print('A+A=',A+A)
print('A*A T =',np.dot(A, A.T))
print('A T *A=',np.dot(A.T, A))
print('A*B=',np.dot(A, B))
print('A*(B- 20*I)=',myfunction(20))

结果：

2.

思路：

使用numpy.linalg.solve()函数

代码：

import numpy as np


def toeplitz(row_vector, column_vector):
    res = row_vector
    for i in range(1, column_vector.size):
        row_vector = np.roll(row_vector, 1)
        row_vector[0,0] = column_vector[i, 0]
        res = np.vstack((res, row_vector))
    return res


A = np.random.randn(200,500)
first_row = range(1,501)
first_col = range(1,501)
B = toeplitz(np.random.randn(1, 500), np.random.randn(500, 1))
b = np.random.randn(500,1)
print(np.linalg.solve(B, b))

结果：

3.

思路：

使用 numpy.linalg.norm 函数得到范数。给参数 val 传入不同的值能够得到不同的范数，如传入 numpy.inf 得到无穷范数

代码：

print(np.linalg.norm(A, 'fro'))
print(np.linalg.norm(B, np.inf))
print(np.linalg.norm(B, 2))
print(np.linalg.norm(B, -2))  

结果：

4.

思路：

使用time函数计时，使用count记录迭代次数，使用一个足够小的误差来判断循环是否终止

代码：

import numpy as np
import time


def find_max(y):
    largest = abs(y[0, 0])
    ans = y[0, 0]
    for i in range(1, y.size):
        if abs(y[i, 0]) > largest:
            largest = abs(y[i, 0])
            ans = y[i, 0]
    return ans


def power_iteration(Z, eps):
    time_stamp = time.clock()
    # x = random.rand(n, 1)  
    x = np.ones((200, 1))
    #迭代次数
    count = 1
    y = np.dot(Z, x)
    c1 = find_max(y)
    x = y / c1

    #误差
    c0 = c1 + eps + 1e7

    while abs(c1 - c0) >= eps:
        count += 1
        y = np.dot(Z, x)
        c0 = c1
        c1 = find_max(y)
        x = y / c1

    '''''过程花费时间'''
    duration = time.clock() - time_stamp
    return x, c1, duration, count



# def toeplitz(row_vector, column_vector):
#     res = row_vector
#     for i in range(1, column_vector.size):
#         row_vector = np.roll(row_vector, 1)
#         row_vector[0,0] = column_vector[i, 0]
#         res = np.vstack((res, row_vector))
#     return res


Z = np.random.randn(200, 200)
eigen_vector, eigen_value, duration, count = power_iteration(Z, 1e-3)
print(eigen_vector)
print(eigen_value)
print('time cost: ', duration)
print('iteration count: ', count)

结果：

5.

思路：

其实我发现numpy.linalg 库也提供了计算奇异值的函数 svd，所以使用它来做测试，同时自己也写一个产生C矩阵的函数

代码：

import numpy as np


def generate_matrix(row,col,p):
    re = np.ones((row,col))
    for i in range(row):
        for j in range(col):
            if np.random.rand() < p :
                re[i][j] =1
            else:
                re[i][j] = 0
    return re


for n in [100,200,300,400,500]:
    for p in [0.1,0.2,0.5,0.8]:
        C = generate_matrix(n, n, p)
        u, s, vh = np.linalg.svd(C)
        max_singular_value = np.max(s)
        print('n:', n, '  p:', p, '  s:', max_singular_value, '\n')

结果：

最大奇异值 ≈ n × p

6.

思路：

使用题目中提到的argmin函数来找出答案

代码：

import numpy as np

n=200

def find_closest(A, z):
    C = np.abs(A - z)
    idx = np.argmin(C)
    return A[idx // A.shape[0]][idx % A.shape[0]]


A = np.random.rand(n, n)
print(A)
print(find_closest(A, 1)) 

结果：