Python 機器學習——線性代數和矩陣運算 從matlab遷移到python
誠然,沒有一門語言能夠撼動matlab的矩陣或科學計算在學術圈的地位,因其簡潔的語法(matrix是其基本資料型別),因其矩陣運算的便捷,因其術業有專攻(matlab:為科學計算而生),因其名字matlab:matrix laboratory,所在的公司名mathworks:math works。我在寫過一些matlab和python的程式碼之後,油然發過一句感慨“沒有一門語言能比matlab還更具數學感”。然而,因為
numpy
、pandas
和matplotlib
等一眾優秀的開發者(不排除從matlab陣營溜出來的)貢獻的一眾優秀的開源的庫,讓python具備了和matlab一樣的功能,為工程而生的python從此因為有了數學家的參與就相當初的matlab一樣,也學術起來,工程學術通吃。
本文試圖回答的問題包括:
- 為什麼矩陣運算要從matlab遷移到python?
- 如何進行遷移,其中會涉及哪些基本程式設計理念的差異?
- 遷移的過程中需要注意哪些細節?
python矩陣運算,更準確地說,是numpy矩陣運算,為了更為方便地使用numpy庫,如下文使用的那樣,我們需要匯入numpy庫並重命名為np
import numpy as np
- 1
零、程式設計理念的對比
0.1 程式設計正規化
matlab是面向過程的程式設計方式,而python既支援面向過程又支援面向物件,是一種多正規化(multi paradigms)的程式語言。因此,不難理解python程式語言中廣泛存在的以下的兩種等價實現方式:
np.dot (X, w) # 呼叫全域性函式,面向過程的程式設計方式X.dot(w) # 呼叫物件的成員函式,面向物件的程式設計方式
- 1
- 2
0.2 matlab從1開始計數,python從0開始
0.2.1 對矩陣而言:
r = size(A, 1); % 表示的是行數c = size(A, 2); % 表示的是列數i = 0:size(A, 1) - 1;A(i, :) % error: 矩陣的下標索引必須是正整數型別(>=1)或邏輯型別(true/false)
- 1
- 2
- 3
- 4
0.2.2 對python而言:
A.shape[0] # 行數, axis = 0 A.shape[1] # 列數, axis = 1# 等價的(或者叫面向過程的)表達方式np.shape(A)[0]np.shape(A)[1]# 可從0開始索引矩陣的行r = A.shape[0]A[0:r, :]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
0.3 matlab矩陣索引用的是小括號,python是中括號
小括號對於一種支援面向物件、支援運算子過載的語言來說,具有特別的意義,過載括號運算子是仿函式實現的命門。如果瞭解c++的運算子過載機制,一個類如果過載了括號運算子,便可稱作仿函式,把一個類當做函式來使用。恰好,python也支援運算子過載。
class Prob(object): def __init__(self, lhs): self.lhs = lhs def __call__(self, rhs): return self.lhs * rhs # def __call__(self, lhs, rhs) # return lhs * rhsif __name__ == '__main__': p = Prob(2) # 呼叫的是類建構函式,也即__init__ print(p(5)) # 呼叫的是例項的括號運算子,也即__call__
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
0.4 切片的端點值
matlab中的切片(也即:表示式),是包含兩個端點值的,也即是一個閉區間
1:5 % 1, 2, 3, 4, 5
- 1
而python中的切片是一個左閉右開的區間:
A[0:2, :] # 索引的是第零行和第一行,而不包括第二行
- 1
0.5 維度的順序
% matlab>> zeros(2, 3, 4)ans(:,:,1) = 0 0 0 0 0 0ans(:,:,2) = 0 0 0 0 0 0ans(:,:,3) = 0 0 0 0 0 0ans(:,:,4) = 0 0 0 0 0 0
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
# python>>> np.zeros((2, 3, 4))array([[[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]], [[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
所以如果一幅256×256從d
維增廣到1+d
維的情況(每個輸入的第一維值為1):
N = 100, d = 5X = np.random.randn(N, d)x0 = np.ones((X.shape[0], 1))X = np.concatenate((x0, X), axis=1)
- 1
- 2
- 3
- 4
1.9 向量(矩陣)層疊
1.9.1 matlab/octave
a = [1, 2, 3]b = [4, 5, 6]c = [a', b']c = [a; b]
- 1
- 2
- 3
- 4
1.9.2 python
a = np.array([1, 2, 3])b = np.array([4, 5, 6])np.c_[a, b] # c_: column array([[1, 4], [2, 5], [3, 6]])np.r_[a, b] # r_: row array([1, 2, 3, 4, 5, 6])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
二、 幾種特殊矩陣
2.1 隨機矩陣(均勻分佈)
2.1.1 matlab/octave
rand(3, 2)
- 1
2.1.2 python
np.random.rand(3, 2)
- 1
無論是matlab中的rand()函式,還是numpy.random中的rand()函式,生成的隨機數都是服從[0-1]的均勻分佈(uniformed distributed),如何生成任意區間的隨機數呢?例[2, 5]區間上的隨機數 2*rand()+3
2.2 0矩陣, 全一矩陣,單位矩陣
符合大小的0矩陣,常常用以申請空間,初始化矩陣, 預先分配記憶體,提高執行的速度
2.2.1 matlab/octave
zeros(3, 2)ones(3, 2)eye(3)
- 1
- 2
- 3
2.2.2 python
np.zeros((3, 2))np.ones((3, 2))np.eye(3)
- 1
- 2
- 3
2.3 對角矩陣
2.3.1 matlab/octave
a = [1, 2, 3]diag(a)diag(diag(a) % [1, 2, 3]
- 1
- 2
- 3
2.3.2 python
a = np.array([1, 2, 3])np.diag(a)np.diag(np.diag(a)) % array([1, 2, 3])
- 1
- 2
- 3
三、 矩陣運算
3.1 矩陣與標量運算
3.1.1 matlab/octave
A = [1, 2, 3; 4, 5, 6; 7, 8, 9]A*2A+2A-2A/2 % 最後統統轉換為A中的每一個元素(element-wise)同標量的運算
- 1
- 2
- 3
- 4
- 5
3.1.2 python
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])A*2A/2A-2A+2
- 1
- 2
- 3
- 4
- 5
3.2 矩陣與矩陣運算
無論是matlab中的乘法運算(*),還是numpy中的np.dot()運算,本質上執行的都是矩陣的乘法運算,都需要滿足矩陣A的列數等於矩陣B的行數。
3.2.1 matlab/octave
A = [1, 2, 3; 4, 5, 6] % 2*3B = [1, 2; 3, 4; 5, 6] % 3*2A*B
- 1
- 2
- 3
3.2.2 python
A = np.array([[1, 2, 3], [4, 5, 6]])B = np.array([[1, 2], [3, 4], [5, 6]])A.dot(B) # np.dot(A, B)
- 1
- 2
- 3
3.3 矩陣與向量運算
矩陣與向量的乘積,是矩陣與矩陣乘積的特例
3.4 按位矩陣與矩陣運算
3.4.1 matlab/octave
A.*AA.+AA.-AA./AA.^A
- 1
- 2
- 3
- 4
- 5
3.4.2 python
A*AA+AA-AA/A
- 1
- 2
- 3
- 4
- 5
3.5 矩陣元素的冪乘
3.5.1 matlab/octave
A.^2
- 1
3.5.2 python
np.power(A, 2)
- 1
3.6 矩陣的冪乘
方陣才有冪乘運算
3.6.1 matlab/octave
A^2
- 1
3.6.2 python
np.linalg.matrix_power(A, 2)
- 1
3.7 矩陣轉置
3.7.1 matlab/octave
A'
- 1
3.7.2 python
A.T
- 1
3.8 矩陣行列式
3.8.1 matlab/octave
det(A)
- 1
3.8.2 python
np.linalg.det(A)
- 1
3.9 矩陣求逆
3.9.1 matlab/octave
inv(A)
- 1
3.9.10 python
A_inv = np.linalg.inv(A)assert(np.dot(A, A_inv).all() == (np.eye(2)).all())
- 1
- 2
3.10 計算矩陣協方差矩陣
協方差矩陣刻畫的是屬性間的關係,標準協方差矩陣的求法:
協方差(i,j)=(第i列所有元素-第i列均值)*(第j列所有元素-第j列均值)/(樣本數-1)(分母減去1是為了實現無偏估計)
3.10.1 matlab/octave
>> x1 = [4.0000 4.2000 3.9000 4.3000 4.1000]’>> x2 = [2.0000 2.1000 2.0000 2.1000 2.2000]'>> x3 = [0.60000 0.59000 0.58000 0.62000 0.63000]’>> cov( [x1,x2,x3] )ans = 2.5000e-02 7.5000e-03 1.7500e-03 7.5000e-03 7.0000e-03 1.3500e-03 1.7500e-03 1.3500e-03 4.3000e-04
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
3.10.1 python
>> x1 = np.array([ 4, 4.2, 3.9, 4.3, 4.1])>> x2 = np.array([ 2, 2.1, 2, 2.1, 2.2])>> x3 = np.array([ 0.6, 0.59, 0.58, 0.62, 0.63])>> np.cov([x1, x2, x3])array([[ 0.025 , 0.0075 , 0.00175], [ 0.0075 , 0.007 , 0.00135], [ 0.00175, 0.00135, 0.00043]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
3.11 計算特徵值和特徵向量
3.11.1 matlab/octave
[eig_vec, eig_val] = eig(A)
- 1
3.11.2 python
eig_val, eig_vec = np.linalg.eig(A)
- 1
3.12 生成高斯分佈的資料集
3.12.1 matlab/octave
mu = [0, 0]cov = [2, 0; 0, 2]X = mvnrnd(mu, cov, 1000)
- 1
- 2
- 3
3.12.2 python
mu = np.array([0, 0])cov = np.array([[2, 0], [0, 2]])X = np.random.multivariate_normal(mu, cov, 100)
- 1
- 2
- 3
四、 numpy中的matrix與array對比
雖然numpy也存在matrix型別,且matrix語法更類似與matlab中的矩陣運算,而numpy中的陣列,進行矩陣運算時,和matlab中的用法存在較大的差異,比如matlab中的*
表示矩陣相乘,numpy中的陣列卻表示按位相乘。但絕大多數人仍然推薦numpy中的陣列,因為numpy中的絕大多數函式的返回型別都是numpy.ndarray()
,如果堅持使用numpy中的matrix型別的話,需要進行繁瑣的型別轉換(np.mat(A)
)。