矩阵

转 http://learn.gxtc.edu.cn/NCourse/jxcamcad/cadcam/Mains/main11-2.htm 2.3.3 基本二维变换 基本二维变换有比例变换（Scaling）、旋转变换（Rotating）、错切变换（Shearing）和平移变换（Translating）。 1）比例变换 比例变换就是将平面上任意一点的横坐标放大或缩小S11倍，纵坐标放大或缩小S22倍，即 其中S称为比例变换矩阵。图2．24是比例变换的几个例子。图中（b）是S11=S22的情况，（C）是S11≠S21的情况 2）旋转变换 旋转变换就是将平面上任意一点绕原点旋转θ角，一般规定逆时针方向为正，顺时针方向为负。从图2．25可推出变换公式： 3）错切变换 在旋转变换矩阵中，非对角线元素有何几何意义？观察图2．26中的例子。变换矩阵中元素S21起作把图形沿X方向“错切”的作用，Y值越小，错切量越小。S12则有将图形向Y方向“错切”的作用，同样其作用的大小与X值成正比。 4）平移变换 平移交换指的是将平面上任意一点沿X方向移动C。，沿Y方向移动ty（图2．27），其变换公式为 由上式可见，平移交换不能直接用2X2矩阵来表示。下述齐次坐标变换矩阵则可解决这个问题。 注意:这句话关键(疑问点在于为什么二位转换需要3x3的矩阵) 2.3.4 齐次坐标 如把平面上的点P=[Xy

今天，遇上一个需求就是根据数据生成图像，当然不仅仅是这么简单，但是突然觉得很好玩，就简单实验了一下，随机的生成二维的数据矩阵，然后使用这个随机矩阵的数据来生成随机的图像，仅仅是好玩，下面是具体的实现： def random_generate_pic(num=50): ''' 随机生成图片 ''' data_list=[] for i in range(num): one_list=[] for j in range(num): one_list.append(random.uniform(0,255)) data_list.append(one_list) data_list=np.asarray(data_list) pic=Image.fromarray(data_list.astype(np.uint8)) pic.save('random_generate_pic.png') 结果如下： 来源： CSDN 作者： Together_CZ 链接： https://blog.csdn.net/Together_CZ/article/details/79720098

简述 网上方法有很多种。 这里就先记录下，一般人都想不到的一种来试试看~ import numpy as np T = np .arange (count_h) + np .arange (count_t)[:, np .newaxis ] print(T .shape ) 输出结果是： count_h： 100 count_t： 5400 ( 5400 , 100 ) 关键代码： T = np .arange (count_h) + np .arange (count_t)[:, np .newaxis ] 关于这个解释，是用到我之前写过的一篇快速生成希尔伯特矩阵的方法 一行代码生成希尔伯特矩阵（Python）矩阵迅速扩展操作 点击就可以访问了~ 来源： CSDN 作者： 肥宅_Sean 链接： https://blog.csdn.net/a19990412/article/details/82712234

在机器学习中经常会用到混淆矩阵（confusion matrix），不了解的同学请参考这篇博文： ML01 机器学习后利用混淆矩阵Confusion matrix 进行结果分析 本文参考： 使用python绘制混淆矩阵（confusion_matrix） 首先import一些必要的库： from sklearn.metrics import confusion_matrix # 生成混淆矩阵函数 import matplotlib.pyplot as plt # 绘图库 import numpy as np import tensorflow as tf 然后定义绘制混淆矩阵函数： def plot_confusion_matrix(cm, labels_name, title): cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] # 归一化 plt.imshow(cm, interpolation='nearest') # 在特定的窗口上显示图像 plt.title(title) # 图像标题 plt.colorbar() num_local = np.array(range(len(labels_name))) plt.xticks(num_local, labels_name, rotation=90) #

1、直接用列表生成m行n列的矩阵 m,n = map(int,input().split()) matrix = [[0]*(m)]*(n) 输出为： 这种方式生成的矩阵存在一定的问题，比如，无法给特定位置的元素赋值，例如： matrix[1][1] = 9 输出为： 可见，第二列的元素全部被赋值为9了 2、采用numpy生成想要维度的矩阵 import numpy as np x,y = map(int,input().split()) a = np.ones((x+1,y+1)) 输出为： 上面的输出特别漂亮，一个完美的矩阵形式输出，下面我们试一下修改特定位置的元素值。 import numpy as np x,y = map(int,input().split()) a = np.ones((x+1,y+1)) a[1][1] = 9 print(a) 输出为： 可见，我们成功修改了第二行第二列的元素值，因此通过numpy生成的矩阵更具有可操作性。比如下面的操作： import numpy as np x,y = map(int,input().split()) a = np.ones((x+1,y+1)) for i in range(1,x+1): for j in range(1,y+1): a[i][j] = a[i-1][j] + a[i][j-1] print(a

import numpy as np # 索引数据 # 一维向量 n5 0 = np.arange( 50 ) print (n5 0 ) print ( '一维向量取一个数:' ,n5 0 [ 1 ]) print ( '一维向量取一组数据(包头不包尾):' ,n5 0 [ 1 : 9 ]) print ( '一维向量取这个索引之后所有的数据:' ,n5 0 [ 1 :]) print ( '一维向量取这个索引之前所有的数据:' ,n5 0 [: 7 ]) print ( '一维向量从尾部按索引取数:' ,n5 0 [- 3 :- 1 ]) # 二维矩阵 n51 0 = n5 0 .reshape( 5 , 10 ) print (n51 0 ) print ( '二维矩阵取一行:' ,n51 0 [ 1 ]) print ( '二维矩阵取一列:' ,n51 0 [:, 1 ]) print ( '二维矩阵取行范围数据(包头不包尾):\n' ,n51 0 [ 1 : 3 ]) print ( '二维矩阵取列范围数据(包头不包尾):\n' ,n51 0 [:, 1 : 3 ]) print ( '二维矩阵取具体某个值:' ,n51 0 [ 1 , 1 ]) print ( '二维矩阵取行列范围数据(包头不包尾):\n' ,n51 0 [ 0 : 2 , 1 : 4 ]) #

文章目录 稀疏矩阵格式 coo_matrix csr_matrix csc_matrix lil_matrix dok_matrix dia_matrix bsr_matrix 实用函数 经验总结 稀疏矩阵格式 coo_matrix    coo_matrix 是最简单的稀疏矩阵存储方式，采用三元组 (row, col, data) (或称为 ijv format )的形式来存储矩阵中非零元素的信息。在实际使用中，一般 coo_matrix 用来创建矩阵，因为 coo_matrix 无法对矩阵的元素进行增删改操作；创建成功之后可以转化成其他格式的稀疏矩阵（如 csr_matrix 、 csc_matrix ）进行转置、矩阵乘法等操作。 ​ coo_matrix 可以通过四种方式实例化，除了可以通过 coo_matrix(D) , D代表密集矩阵； coo_matrix(S) , S代表其他类型稀疏矩阵或者 coo_matrix((M, N), [dtype]) 构建一个shape为M*N的空矩阵，默认数据类型是 d ，还可以通过 (row, col, data) 三元组初始化： >> > import numpy as np >> > from scipy . sparse import coo_matrix >> > _row = np . array ( [ 0 , 3 , 1

#include <iostream> int main() { int d2a[3][4] = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 }; //输出 0,1,2,3,4,5,6,7,8,9,10,11 for (size_t i = 0; i < 3; i++) { for (size_t j = 0; j < 4; j++) { std::cout << d2a[i][j] << ","; } } //输出 0077FD04,0077FD04,0077FD14,0077FD24 //可见二维数组名是数据首地址，d2a[0],d2a[1],d2a[2]分别是第一行，第二行，第三行的首地址 std::cout << d2a << "," << d2a[0] << "," << d2a[1] << "," << d2a[2] << std::endl; //最直观的顺序输出所有元素的方式 //输出 0,1,2,3,4,5,6,7,8,9,10,11 int* pa = (int*)d2a; for (size_t i = 0; i < 12; i++) { std::cout << *(pa + i) << ","; } //最难理解的二维数组名当指针的输出方式 //输出 0,1,2,3,4,5,6,7,8,9,10,11 for (size

原文地址： https://www.cnblogs.com/pinard/p/6288716.html 典型关联分析(Canonical Correlation Analysis，以下简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？CCA可以帮助我们分析这个问题。 1. CCA概述 　　　　在数理统计里面，我们都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数 ρ ρ 的定义为: ρ ( X , Y ) = c o v ( X , Y ) D ( X )−−−−−√ D ( Y )−−−−−√ ρ(X,Y)=cov(X,Y)D(X)D(Y) 　　　　其中 c o v ( X , Y ) cov(X,Y) 是X和Y的协方差，而 D ( X ) , D ( Y ) D(X),D(Y) 分别是X和Y的方差。相关系数 ρ ρ 的取值为[-1,1],　 ρ ρ 的绝对值越接近于1，则X和Y的线性相关性越高。越接近于0，则X和Y的线性相关性越低。 　　　　虽然相关系数可以很好的帮我们分析一维数据的相关性，但是对于高维数据就不能直接使用了。拿上面我们提到的，如果X是包括人身高和体重两个维度的数据，而Y是包括跑步能力和跳远能力两个维度的数据

原文地址： https://www.cnblogs.com/pinard/p/6288716.html 典型关联分析(Canonical Correlation Analysis，以下简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？CCA可以帮助我们分析这个问题。 1. CCA概述 　　　　在数理统计里面，我们都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数 ρ ρ 的定义为: ρ ( X , Y ) = c o v ( X , Y ) D ( X )−−−−−√ D ( Y )−−−−−√ ρ(X,Y)=cov(X,Y)D(X)D(Y) 　　　　其中 c o v ( X , Y ) cov(X,Y) 是X和Y的协方差，而 D ( X ) , D ( Y ) D(X),D(Y) 分别是X和Y的方差。相关系数 ρ ρ 的取值为[-1,1],　 ρ ρ 的绝对值越接近于1，则X和Y的线性相关性越高。越接近于0，则X和Y的线性相关性越低。 　　　　虽然相关系数可以很好的帮我们分析一维数据的相关性，但是对于高维数据就不能直接使用了。拿上面我们提到的，如果X是包括人身高和体重两个维度的数据，而Y是包括跑步能力和跳远能力两个维度的数据