numpy 라이브러리

사용법

import numpy as np

4*3 행렬 생성

A = np.matrix("[1,3,5;5,4,1;3,8,6;2,5,7]") 
A = np.matrix('1 3 5; 5 4 1; 3 8 6; 2 5 7')
B = np.mat('1 3 5; 5 4 1; 3 8 6; 2 5 7')

2*2 배열 생성

A = np.array([[0, 1],  # 1st row
             [2, 3]])  # 2nd row

배열을 행렬로 형변환 (np에서 행렬은 배열의 특수한 형태)

A'=np.matrix(A)
# in summary, matrix is 2-dimensional. "array" can be N-dimensional
# in fact, matrix is a special case of "array" in numpy implementation

행렬을 배열로 형변환

A'=np.array(A)
A'=np.asarray(A)

A행렬의 transpose

np.transpose(A)
A.T

3*3 Identity 행렬 생성

np.eye(3) 

행렬 I의 inverse 행렬 생성

np.linalg.inv(I)

행렬 C의 determinant 값 생성

np.linalg.det(C)  

행렬 C의 diagonals 구하기

np.diag(C)

두 행렬이 같은지 비교 : 각 항목이 같은지 알 수 있음

np.equal(A, B)

두 행렬이 같은지 비교 : 전체가 배열로서 같은지 알 수 있음

np.array_equal(A, B) 

Z행렬에서 각 row의 mean값 구하기 (출력은 array형)

np.mean(Z, axis=0) 

Z행렬에서 각 column의 mean값 구하기

np.mean(Z, axis=1) 

Z행렬에서 각 row, column의 std값 구하기

np.std(Z, axis=0) 
np.std(Z, axis=1)

X의 covariance matrix 구하기
-각 column이 random variable,
-Bessel correction ( divided by (n-1) ) is false

np.cov(X, rowvar=False, bias=True)

-Bessel correction ( divided by (n-1) ) is true

np.cov(X, rowvar=False, bias=false)

LinearRegression(X,y)를 수행하고자 할때
X가 single feature을 가진다면 reshape(-1,1)을 하라고 되어있다.
이 때 배열로 변환하고 reshape을 해줘야한다.

X2 = np.asarray(X).reshape(-1,1)

matrix A의 eigenvalue와 eigenvector 구하기

eigval, eigvecs = np.linalg.eig(A)

배열에서 값이 작은 순서대로 index값 정렬하기

np.argsort(eigval)

배열에서 값이 큰 순서대로 index값 정렬하기

np.flip(np.argsort(eigval))

16개의 1차원 데이터를 4*4의 2차원 데이터로 바꾸기

a=np.arange(16)
a.reshape(4,4)

바로 앞에 처리된 배열의 모든 원소의 합

np.sum(_)