画盒图
box_1, box_2, box_3= Z_Acol["Y"], Z_Bcol["Y"], Z_Ccol["Y"]
labels = ['type A','type B','type C']
plt.title('Box plot of size of three fishing rod types')
plt.ylabel('size')
plt.boxplot([box_1, box_2, box_3], labels = labels)
-------------------------------------------------------------------------------------------------------------
找到某个array中的元素,并返回它的index,类型是tuple
plt.plot(range(0,300),MSEset)
r = np.where(MSEset == np.max(MSEset))
r2 = np.where(MSEset == np.min(MSEset))
plt.text(r[0][0], np.max(MSEset), round(np.max(MSEset)))
plt.text(r2[0][0], np.min(MSEset), round(np.min(MSEset)))
-------------------------------------------------------------------------------------------------------------
生成一个随机的对称且正定的矩阵
sklearn.datasets.make_spd_matrix(n_dim, *, random_state=None)[source]
来自 <sklearn.datasets.make_spd_matrix — scikit-learn 1.0.1 documentation>
-------------------------------------------------------------------------------------------------------------
x/y计算对应元素相除
-------------------------------------------------------------------------------------------------------------
Plt.contour(xp,yp,zp,5) 画等高线,xp,yp,zp都要是2d的
-------------------------------------------------------------------------------------------------------------
Plt.axes('scaled') //使图形的长款的单位长度相等
-------------------------------------------------------------------------------------------------------------
Np.multiply()对矩阵来说是对应元素相乘 或者用*
Np.dot 矩阵乘法 对于向量来说是内积
-------------------------------------------------------------------------------------------------------------
plt.subplots_adjust(wspace=0.3) wspace表示图之间的间距
-------------------------------------------------------------------------------------------------------------
np.linalg.norm()作用
返回矩阵或者数组的范数结果
-------------------------------------------------------------------------------------------------------------
np.c_[U,np.ones([N,1])]
增加一列
Np.r_[]
增加一行
-------------------------------------------------------------------------------------------------------------
from sklearn.model_selection import train_test_split
#把数据分成训练集和测试集
X_train, X_test, t_train, t_test = train_test_split(X, t, test_size=0.3)
X是输入,t是输出,自动将数据集分成训练集和测试集
--------------------------------------------------------------------------------------------
np.square(X)
把矩阵中每个元素都平方,返回这个矩阵
np.linalg.eig()
@ 是矩阵乘法的计算
——————————————————————————————————
dot()的使用
dot()返回的是两个数组的点积(dot product)
1.如果处理的是一维数组,则得到的是两数组的內积
In : d = np.arange(0,9)
Out: array([0, 1, 2, 3, 4, 5, 6, 7, 8])
In : e = d[::-1]
Out: array([8, 7, 6, 5, 4, 3, 2, 1, 0])
In : np.dot(d,e)
Out: 84
2.如果是二维数组(矩阵)之间的运算,则得到的是矩阵积(mastrix product)。
In : a = np.arange(1,5).reshape(2,2)
Out:
array([[1, 2],
[3, 4]])
In : b = np.arange(5,9).reshape(2,2)
Out: array([[5, 6],
[7, 8]])
In : np.dot(a,b)
Out:
array([[19, 22],
[43, 50]])
—————————————————————————————————————————
numpy.random.randn(d0,d1,…,dn)
- randn函数返回一个或一组样本,具有标准正态分布。
- dn表格每个维度
- 返回值为指定维度的array
numpy.random.rand(d0,d1,…,dn)
- rand函数根据给定维度生成[0,1)之间的数据,包含0,不包含1
- dn表格每个维度
- 返回值为指定维度的array
来自 <numpy.random.randn()用法_u012149181的博客-CSDN博客_np.random.randn>
-----------------------------------------------------------------------------------------------------------------------------
Cholesky分解
- L = numpy.linalg.cholesky(a) 返回正定矩阵a的 Cholesky 分解a = L*L.T,其中L是下三角。
来自 <numpy. 线性代数基本操作_mycsdnnum的博客-CSDN博客>
Np.random.permutation作用
比如用这个函数之前的数据是[1,2,3,4,5,6]
用之后[3,5,6,1,2,4]
Meshgrid前言
meshgrid函数就是用两个坐标轴上的点在平面上画网格(当然这里传入的参数是两个的时候)。当然我们可以指定多个参数,比如三个参数,那么我们的就可以用三个一维的坐标轴上的点在三维平面上画网格。
Plt.meshgrid的作用,把单独的横纵坐标组合在一起,每种x,y 都分别搭配一次
那对于三维来说,参数是三个一维数组,并且一维数组的形状分别是N,M,P,那么如果indexing = 'xy'的话返回的三个矩阵xv,yv,zv的形状都是(M,N,P);如果indexing = 'ij'的话返回的是三个矩阵xv,yv,zv的形状都是(N,M,P)