下面对numpy中的 *** 作进行总结。
numpy包含两种基本的数据类型:数组和矩阵。
数组(Arrays)
>>>from numpy import *>>>a1=array([1,1,1])#定义一个数组>>>a2=array([2,2,2])>>>a1+a2#对于元素相加array([3, 3, 3])>>>a1*2 #乘一个数array([2, 2, 2])##>>>a1=array([1,2,3])>>>a1
array([1, 2, 3])>>>a1**3 #表示对数组中的每个数做平方array([ 1, 8, 27])##取值,注意的是它是以0为开始坐标,不matlab不同>>>a1[1]2##定义多维数组>>>a3=array([[1,2,3],[4,5,6]])>>码颂>a3
array([[1, 2, 3],
[4, 5, 6]])>>>a3[0] #取出第一行的数据array([1, 2, 3])>>>a3[0,0] #第一行第一个数据1>>>a3[0][0] #也可用这种方式1##数组点乘,相当于matlab点乘 *** 作>>>a1=array([1,2,3])>>>a2=array([4,5,6])>>>a1*a2
array([ 4, 10, 18])12345678910111213141516171819202122232425262728293031323334
Numpy有许多的创建数组的函数:
import numpy as np
a = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.]
# [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.]
# [ 7. 7.]]"d = np.eye(2)# Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.]
# [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]"1234567891011121314151617181920
数组索引(Array indexing)
矩阵
矩阵的 *** 作汪拦与Matlab语言有很多的相关性。
#创建矩阵
>>>m=mat([1,2,3])
>>>m
matrix([[1, 2, 3]])
#取值
>>>m[0]#取一行
matrix([[1, 2, 3]])
>>>m[0,1] #第一行,第2个数据迟陵郑2>>>m[0][1] #注意不能像数组那样取值了
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__
out = N.ndarray.__getitem__(self, index)
IndexError: index 1 is out of bounds for axis 0 with size 1#将Python的列表转换成NumPy的矩阵
>>>list=[1,2,3]
>>>mat(list)
matrix([[1, 2, 3]])
#矩阵相乘
>>>m1=mat([1,2,3]) #1行3列
>>>m2=mat([4,5,6])
>>>m1*m2.T #注意左列与右行相等 m2.T为转置 *** 作
matrix([[32]])
>>>multiply(m1,m2) #执行点乘 *** 作,要使用函数,特别注意
matrix([[ 4, 10, 18]])
#排序
>>>m=mat([[2,5,1],[4,6,2]])#创建2行3列矩阵
>>>m
matrix([[2, 5, 1],
[4, 6, 2]])
>>>m.sort()#对每一行进行排序
>>>m
matrix([[1, 2, 5],
[2, 4, 6]])
>>>m.shape #获得矩阵的行列数
(2, 3)
>>>m.shape[0] #获得矩阵的行数2>>>m.shape[1] #获得矩阵的列数3#索引取值
>>>m[1,:] #取得第一行的所有元素
matrix([[2, 4, 6]])
>>>m[1,0:1]#第一行第0个元素,注意左闭右开
matrix([[2]])
>>>m[1,0:3]
matrix([[2, 4, 6]])
>>>m[1,0:2]
matrix([[2, 4]])1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556
扩展矩阵函数tile()
例如,要计算[0,0,0]到一个多维矩阵中每个点的距离,则要将[0,0,0]进行扩展。
tile(inX, (i,j)) i是扩展个数,j是扩展长度
实例如下:
>>>x=mat([0,0,0])
>>>x
matrix([[0, 0, 0]])
>>>tile(x,(3,1)) #即将x扩展3个,j=1,表示其列数不变
matrix([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
>>>tile(x,(2,2)) #x扩展2次,j=2,横向扩展
matrix([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])1234567891011121314
你问的是python站点插值到格点会极小怎么回事吗?敬氏这种情况是数据密集。根据博客园的信息,如果孙洞python站点数据非常则稿枯密集,而格点数据非常稀疏,使用一般的插值方法可能会导致格点数据变化非常小。
解决方法:在python站点中使用更高级的插值方法,如克里金插值或径向基函数插值,这些方法可以更好地处理密集数据。
谱聚类概念 :
谱聚类是一种基于图论的聚类方法,通过对样本数据的拉普拉斯矩阵的特征向量进行聚类,从而达到对样本数据聚类的母的。谱聚类可以理解为将高维空间的数据映射到低维,然后在低维空间用其它聚类算法(如KMeans)进行聚类。
算法步骤
1 计算相似度矩阵 W
2 计算度矩阵 D
3 计算拉普拉斯矩阵L=D-W
4 计算L的特征值,将特征值从竖仔空小到大排序,取前k个特征值.将这个特征值向量转换为矩阵
5 通过其他聚类算法对其进行聚类,如k-means
详细公式和概念请到 大佬博客
相比戚大较PCA降维中取前k大的特征值对应的特征向量,这余瞎里取得是前k小的特征值对应的特征向量。但是上述的谱聚类算法并不是最优的,接下来我们一步一步的分解上面的步骤,总结一下在此基础上进行优化的谱聚类的版本。
python实现
例子一:使用谱聚类从噪声背景中分割目标
效果图
例子2:分割图像中硬币的区域
效果图
注意
1)当聚类的类别个数较小的时候,谱聚类的效果会很好,但是当聚类的类别个数较大的时候,则不建议使用谱聚类;
(2)谱聚类算法使用了降维的技术,所以更加适用于高维数据的聚类;
(3)谱聚类只需要数据之间的相似度矩阵,因此对于处理稀疏数据的聚类很有效。这点传统聚类算法(比如K-Means)很难做到
(4)谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解
(5)谱聚类对相似度图的改变和聚类参数的选择非常的敏感;
(6)谱聚类适用于均衡分类问题,即各簇之间点的个数相差不大,对于簇之间点个数相差悬殊的聚类问题,谱聚类则不适用;
参考
谱聚类算法介绍
sklearn官网
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)