在Python中使用矩陣,需要調(diào)用什么庫函數(shù):

numpy庫的mat函數(shù)

成都創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供商丘網(wǎng)站建設(shè)、商丘做網(wǎng)站、商丘網(wǎng)站設(shè)計、商丘網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、商丘企業(yè)網(wǎng)站模板建站服務(wù)，10年商丘做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

import?numpy?as?np

matrix?=?np.mat([[1,?2,?3],?[4,?5,?6]])

print?matrix

print?type(matrix)

結(jié)果為：

[[1 2 3]

[4 5 6]]

class 'numpy.matrixlib.defmatrix.matrix'

python中的矩陣運算

NumPy支持大量的維度數(shù)組與矩陣運算，此外也針對數(shù)組運算提供大量的數(shù)學函數(shù)庫。

首先安裝NumPy，安裝過pandas，它會自動安裝它的依賴，就不需要安裝NumPy了。

python的矩陣可以做什么

python的numpy庫提供矩陣運算的功能，因此我們在需要矩陣運算的時候，需要導(dǎo)入numpy的包。

計算矩陣對應(yīng)行列的最大、最小值、和。

3a1=mat([[1,1],[2,3],[4,2]])

a1

matrix([[1, 1],

[2, 3],

[4, 2]])

計算每一列、行的和

a2=a1.sum(axis=0) #列和，這里得到的是1*2的矩陣

a2

matrix([[7, 6]])

a3=a1.sum(axis=1) #行和，這里得到的是3*1的矩陣

a3

matrix([[2],

[5],

[6]])

a4=sum(a1[1,:]) #計算第一行所有列的和，這里得到的是一個數(shù)值

a4

5 #第0行：1+1；第2行：2+3；第3行：4+2

計算最大、最小值和索引

a1.max() #計算a1矩陣中所有元素的最大值,這里得到的結(jié)果是一個數(shù)值

4

a2=max(a1[:,1]) #計算第二列的最大值，這里得到的是一個1*1的矩陣

a2

matrix([[3]])

a1[1,:].max() #計算第二行的最大值，這里得到的是一個一個數(shù)值

3

np.max(a1,0) #計算所有列的最大值，這里使用的是numpy中的max函數(shù)

matrix([[4, 3]])

np.max(a1,1) #計算所有行的最大值，這里得到是一個矩陣

matrix([[1],

[3],

[4]])

np.argmax(a1,0) #計算所有列的最大值對應(yīng)在該列中的索引

matrix([[2, 1]])

np.argmax(a1[1,:]) #計算第二行中最大值對應(yīng)在該行的索引

1

python 怎么實現(xiàn)矩陣運算

1.numpy的導(dǎo)入和使用

data1=mat(zeros((

)))

#創(chuàng)建一個3*3的零矩陣，矩陣這里zeros函數(shù)的參數(shù)是一個tuple類型(3,3)

data2=mat(ones((

)))

#創(chuàng)建一個2*4的1矩陣，默認是浮點型的數(shù)據(jù)，如果需要時int類型，可以使用dtype=int

data3=mat(random.rand(

))

#這里的random模塊使用的是numpy中的random模塊，random.rand(2,2)創(chuàng)建的是一個二維數(shù)組，需要將其轉(zhuǎn)換成#matrix

data4=mat(random.randint(

10

,size=(

)))

#生成一個3*3的0-10之間的隨機整數(shù)矩陣，如果需要指定下界則可以多加一個參數(shù)

data5=mat(random.randint(

,size=(

))

#產(chǎn)生一個2-8之間的隨機整數(shù)矩陣

data6=mat(eye(

,dtype=

int

))

#產(chǎn)生一個2*2的對角矩陣

a1=[

]; a2=mat(diag(a1))

#生成一個對角線為1、2、3的對角矩陣

Python sklearn.metrics模塊混淆矩陣常用函數(shù)

1.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)

參數(shù)分別為y實際類別、預(yù)測類別、返回值要求（True返回正確的樣本占比，false返回的是正確分類的樣本數(shù)量）

eg：

import numpy as np

from sklearn.metrics import accuracy_score

y_pred = [0, 2, 1, 3]

y_true = [0, 1, 2, 3]

accuracy_score(y_true, y_pred)

0.5

accuracy_score(y_true, y_pred, normalize=False)

2.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2)

參數(shù)：真是類別，預(yù)測類別，目標類別名稱

eg：

3.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)

輸出為混淆矩陣

eg：

太多了，寫3個常用的吧，具體參考help(metrics)

defcm_plot(y,yp):#參數(shù)為實際分類和預(yù)測分類

fromsklearn.metricsimportconfusion_matrix

#導(dǎo)入混淆矩陣函數(shù)

cm = confusion_matrix(y,yp)

#輸出為混淆矩陣

importmatplotlib.pyplotasplt

#導(dǎo)入作圖函數(shù)

plt.matshow(cm,cmap=plt.cm.Greens)

# 畫混淆矩陣圖，配色風格使用cm.Greens

plt.colorbar()

# 顏色標簽

forxinrange(len(cm)):

foryinrange(len(cm)):

plt.annotate(cm[x,y],xy=(x,y),horizontalalignment='center',verticalalignment='center')

#annotate主要在圖形中添加注釋

# 第一個參數(shù)添加注釋

# 第一個參數(shù)是注釋的內(nèi)容

# xy設(shè)置箭頭尖的坐標

#horizontalalignment水平對齊

#verticalalignment垂直對齊

#其余常用參數(shù)如下：

# xytext設(shè)置注釋內(nèi)容顯示的起始位置

# arrowprops 用來設(shè)置箭頭

# facecolor 設(shè)置箭頭的顏色

# headlength 箭頭的頭的長度

# headwidth 箭頭的寬度

# width 箭身的寬度

plt.ylabel('True label')# 坐標軸標簽

plt.xlabel('Predicted label')# 坐標軸標簽

returnplt

#函數(shù)調(diào)用

cm_plot(train[:,3],tree.predict(train[:,:3])).show()

新聞標題：python里的矩陣函數(shù),python中矩陣的運算
本文網(wǎng)址：http://chinadenli.net/article18/dsioodp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站建設(shè)、企業(yè)網(wǎng)站制作、面包屑導(dǎo)航、虛擬主機、建站公司、移動網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)