Python 机器学习——线性代数和矩阵运算:从matlab迁移到python

诚然,没有一门语言能够撼动matlab的矩阵或科学计算在学术圈的地位,因其简洁的语法(matrix是其基本数据类型),因其矩阵运算的便捷,因其术业有专攻(matlab:为科学计算而生),因其名字matlab:matrix laboratory,所在的公司名mathworks:math works。我在写过一些matlab和python的代码之后,油然发过一句感慨“没有一门语言能比matlab还更具数学感”。然而,因为numpypandasmatplotlib 等一众优秀的开发者(不排除从matlab阵营溜出来的)贡献的一众优秀的开源的库,让python具备了和matlab一样的功能,为工程而生的python从此因为有了数学家的参与就相当初的matlab一样,也学术起来,工程学术通吃。

本文试图回答的问题包括:

  • 为什么矩阵运算要从matlab迁移到python?
  • 如何进行迁移,其中会涉及哪些基本编程理念的差异?
  • 迁移的过程中需要注意哪些细节?

python矩阵运算,更准确地说,是numpy矩阵运算,为了更为方便地使用numpy库,如下文使用的那样,我们需要导入numpy库并重命名为np

import numpy as np

零、编程理念的对比

0.1 编程范式

matlab是面向过程的编程方式,而python既支持面向过程又支持面向对象,是一种多范式(multi paradigms)的编程语言。因此,不难理解python编程语言中广泛存在的以下的两种等价实现方式:

np.dot(X, w)    # 调用全局函数,面向过程的编程方式
X.dot(w)        # 调用对象的成员函数,面向对象的编程方式

0.2 matlab从1开始计数,python从0开始

0.2.1 对矩阵而言:

r = size(A, 1);         % 表示的是行数
c = size(A, 2);         % 表示的是列数
i = 0:size(A, 1) - 1;
A(i, :)             % error: 矩阵的下标索引必须是正整数类型(>=1)或逻辑类型(true/false)

0.2.2 对python而言:

A.shape[0]      # 行数, axis = 0
A.shape[1]      # 列数, axis = 1
# 等价的(或者叫面向过程的)表达方式
np.shape(A)[0]
np.shape(A)[1]
# 可从0开始索引矩阵的行
r = A.shape[0]
A[0:r, :]

0.3 matlab矩阵索引用的是小括号,python是中括号

小括号对于一种支持面向对象、支持运算符重载的语言来说,具有特别的意义,重载括号运算符是仿函数实现的命门。如果了解c++的运算符重载机制,一个类如果重载了括号运算符,便可称作仿函数,把一个类当做函数来使用。恰好,python也支持运算符重载。

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 * rhs
if __name__ == '__main__':
    p = Prob(2)     # 调用的是类构造函数,也即__init__
    print(p(5))     # 调用的是实例的括号运算符,也即__call__

0.4 切片的端点值

matlab中的切片(也即:表达式),是包含两个端点值的,也即是一个闭区间

1:5     % 1, 2, 3, 4, 5

而python中的切片是一个左闭右开的区间:

A[0:2, :]   # 索引的是第零行和第一行,而不包括第二行

0.5 维度的顺序

% matlab
>> zeros(2, 3, 4)
ans(:,:,1) =

   0   0   0
   0   0   0

ans(:,:,2) =

   0   0   0
   0   0   0

ans(:,:,3) =

   0   0   0
   0   0   0

ans(:,:,4) =

   0   0   0
   0   0   0
# 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.]]])

所以如果一幅 256×256 的彩色图像在matlab中的shape为 256×256×3 ,在python中的shape为 3×256×256

一、 矩阵的基本操作

1.1 创建矩阵

1.1.1 matlab/octave

>> A = [1, 2, 3; 4, 5, 6; 7, 8, 9]
> A =
     1     2     3
     4     5     6
     7     8     9

分号表示一行的结束

1.1.2 python

A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
A = 
    array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

以Python的基本数据类型list作为np.array的参数,生成numpy.ndarray,也即多维数组

1.2 获取矩阵的维度

1.2.1 matlab/octave

[r, c] = size(A)    % r = 3, c = 3
size(A, 1)          % 3 
size(A, 2)          % 3
size(A, 3)          % 1
numel(A)            % 返回的是A的元素个数,即A的全部轴的乘积

1.2.2 python

shapes = A.shape    # 是tuple类型的返回值

而:

A.size          # 返回的是A的元素数,即行*列
A.size == np.prod(A.shape)

1.3 索引矩阵的行和列

1.3.1 matlab/octave

A(1, :)     % A的第一行
A(1:2, :)   % A的前两行
A(:, 1)     % A的第一列
A(:, 1:2)   % A的前两列
A(end, :)   % A的最后一行

1.3.2 python

A[0, :]     # 第一行
A[0:2, :]   # 第一行,第二行
A[:, 0]     # 第一列
A[:, 0:2]   # 第一列,第二列
A[-1, :]        # 最后一行

1.4 通过断言(predicate)提取矩阵的行和列

1.4.1 matlab/octave

mod(A, 4) == 0
    0   0   0
    1   0   0
    0   1   0
A(mod(A, 4) == 0)   % 返回矩阵中是4的倍数的元素,

因取模算子%在矩阵中有着特殊的意义(注释),故取模运算用了一个函数来替代。

1.4.2 python

A%4 == 0
    array([[False, False, False], [ True, False, False], [False, True, False]], dtype=bool)

A[A%4==0]           % 返回矩阵中是4的倍数的元素

1.5 获取特定位置上的元素

以第一个元素为例:

1.5.1 matlab/octave

A(1, 1)

1.5.2 python

A[0, 0]

1.6 向量的操作

1.6.1 matlab

a = [1; 2; 3] % 创建列向量
b = [1, 2, 3] % 创建行向量, b = [1 2 3]
b = [1 2 3]' % 行转换为列 

1.6.2 python

a = np.array([[1], [2], [3]])
b = np.array([1, 2, 3])
b = b[:, np.newaxis]    # 或者 b = b[np.newaxis].T

1.7 矩阵变维

将一个3*3矩阵转换为一个行向量

1.7.1 matlab/octave

B = reshape(A, 1, numel(A))

1.7.2 python

B = A.reshape(1, A.size)    # array([[1, 2, 3, 4, 5, 6, 7, 8, 9]])
B = A.ravel()               # array([1, 2, 3, 4, 5, 6, 7, 8, 9])        

1.8 矩阵拼接

1.8.1 matlab/octave

A(3, :) = []    % 移除矩阵的某一行(第三行),可见matlab中矩阵操作之强大
A = 
    1   2   3
    4   5   6

B = [7, 8, 9; 10, 11, 12]
C = [A; B]      % 列方向上的拼接
    1   2   3
    4   5   6
    7   8   9
    10  11  12

C = [A B]       % 行方向上的拼接
    1   2   3   7   8   9
    4   5   6   10  11  12

1.8.2 python

A = A[0:2, :]       # 移除矩阵的第三行
B = np.array([[7, 8, 9], [10, 11, 12]])
C = np.concatenate((A, B), axis=0)  # 列方向的拼接
C = np.concatenate((A, B), axis=1)  # 行方向的拼接

机器学习的算法实践的过程中,如单层神经网络,支持向量机或者神经网络,常常会遇到对输入 X d维增广到1+d维的情况(每个输入的第一维值为1):

N = 100, d = 5
X = np.random.randn(N, d)
x0 = np.ones((X.shape[0], 1))
X = np.concatenate((x0, X), axis=1)

1.9 向量(矩阵)层叠

1.9.1 matlab/octave

a = [1, 2, 3]
b = [4, 5, 6]
c = [a', b']
c = [a; b]

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])

二、 几种特殊矩阵

2.1 随机矩阵(均匀分布)

2.1.1 matlab/octave

rand(3, 2)

2.1.2 python

np.random.rand(3, 2)

无论是matlab中的rand()函数,还是numpy.random中的rand()函数,生成的随机数都是服从[0-1]的均匀分布(uniformed distributed),如何生成任意区间的随机数呢?例[2, 5]区间上的随机数 2*rand()+3

2.2 0矩阵, 全一矩阵,单位矩阵

符合大小的0矩阵,常常用以申请空间,初始化矩阵, 预先分配内存,提高执行的速度

2.2.1 matlab/octave

zeros(3, 2) ones(3, 2) eye(3)

2.2.2 python

np.zeros((3, 2))
np.ones((3, 2))
np.eye(3)

2.3 对角矩阵

2.3.1 matlab/octave

a = [1, 2, 3]
diag(a)
diag(diag(a)    % [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])

三、 矩阵运算

3.1 矩阵与标量运算

3.1.1 matlab/octave

A = [1, 2, 3; 4, 5, 6; 7, 8, 9]
A*2
A+2
A-2
A/2         % 最后统统转换为A中的每一个元素(element-wise)同标量的运算

3.1.2 python

A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
A*2
A/2
A-2
A+2

3.2 矩阵与矩阵运算

无论是matlab中的乘法运算(*),还是numpy中的np.dot()运算,本质上执行的都是矩阵的乘法运算,都需要满足矩阵A的列数等于矩阵B的行数。

3.2.1 matlab/octave

A = [1, 2, 3; 4, 5, 6]  % 2*3
B = [1, 2; 3, 4; 5, 6]  % 3*2
A*B

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)

3.3 矩阵与向量运算

矩阵与向量的乘积,是矩阵与矩阵乘积的特例

3.4 按位矩阵与矩阵运算

3.4.1 matlab/octave

A.*A
A.+A
A.-A
A./A
A.^A

3.4.2 python

A*A
A+A
A-A
A/A

3.5 矩阵元素的幂乘

3.5.1 matlab/octave

A.^2

3.5.2 python

np.power(A, 2)

3.6 矩阵的幂乘

方阵才有幂乘运算

3.6.1 matlab/octave

A^2

3.6.2 python

np.linalg.matrix_power(A, 2)

3.7 矩阵转置

3.7.1 matlab/octave

A'

3.7.2 python

A.T

3.8 矩阵行列式

3.8.1 matlab/octave

det(A)

3.8.2 python

np.linalg.det(A)

3.9 矩阵求逆

3.9.1 matlab/octave

inv(A)

3.9.10 python

A_inv = np.linalg.inv(A)
assert(np.dot(A, A_inv).all() == (np.eye(2)).all()) 

3.10 计算矩阵协方差矩阵

协方差矩阵刻画的是属性间的关系,标准协方差矩阵的求法:

协方差(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)/(样本数-1)(分母减去1是为了实现无偏估计)

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

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]])

3.11 计算特征值和特征向量

3.11.1 matlab/octave

[eig_vec, eig_val] = eig(A)

3.11.2 python

eig_val, eig_vec = np.linalg.eig(A)

3.12 生成高斯分布的数据集

3.12.1 matlab/octave

mu = [0, 0]
cov = [2, 0; 0, 2]
X = mvnrnd(mu, cov, 1000)

3.12.2 python

mu = np.array([0, 0])
cov = np.array([[2, 0], [0, 2]])
X = np.random.multivariate_normal(mu, cov, 100)

四、 numpy中的matrix与array对比

虽然numpy也存在matrix类型,且matrix语法更类似与matlab中的矩阵运算,而numpy中的数组,进行矩阵运算时,和matlab中的用法存在较大的差异,比如matlab中的*表示矩阵相乘,numpy中的数组却表示按位相乘。但绝大多数人仍然推荐numpy中的数组,因为numpy中的绝大多数函数的返回类型都是numpy.ndarray(),如果坚持使用numpy中的matrix类型的话,需要进行繁琐的类型转换(np.mat(A))。

关于矩阵运算从python到matlab的迁移,更详细的信息请见:http://wiki.scipy.org/NumPy_for_Matlab_Users

    原文作者:Inside_Zhang
    原文地址: https://blog.csdn.net/lanchunhui/article/details/49425689
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞