np.linalg.norm()用法
np.linalg.norm(x, ord=None, axis=None, keepdims=False)
x为矩阵,ord(取值1,2,np.inf分别表示1范式,2范式,无穷范数),axis(0,1,none默认,0代表按列处理,1代表按行处理),keepdims(是否保持维数)
#1范式的条件下
#ord为1,axis默认none,keedims默认false即矩阵1范式,不保留二维
t=np.linalg.norm(array,ord=1)#每列和中的最大值
print("t:",t)
#ord为1,axis默认none,keedims为true即矩阵1范式,保留二维
t1=np.linalg.norm(array,ord=1,keepdims=True)#每列和中的最大值
print("t1:",t1)
#ord为1,axis为1,keedims默认false即1范式,按行处理,不保留二维
t2=np.linalg.norm(array,ord=1,axis=1,keepdims=False)
print("t2:",t2)
#ord为1,axis为1,keedims为true即1范式,按行处理,保留二维
t3=np.linalg.norm(array,ord=1,axis=1,keepdims=True)
print("t3:",t3)
#ord为1,axis为0,keedims默认false即1范式,按列处理,不保留二维
t4=np.linalg.norm(array,ord=1,axis=0,keepdims=False)
print("t4:",t4)
#ord为1,axis为0,keedims为true即1范式,按列处理,保留二维
t5=np.linalg.norm(array,ord=1,axis=0,keepdims=True)
print("t5:",t5)
对应结果:
#2范式的条件下
#ord默认2,axis默认none,keedims默认false即矩阵二范式,不保留二维
print("---------------2范式条件下----------------")
t=np.linalg.norm(array)
print("t:",t)
print("t:",np.sqrt(9+16+4+4))
#ord默认2,axis默认none,keedims为true即矩阵二范式,保留二维
t1=np.linalg.norm(array,keepdims=True)
print("t1:",t1)
print("t:",np.sqrt(9+16+4+4))
#ord默认2,axis为1,keedims默认false即二范式,按行处理,不保留二维
t2=np.linalg.norm(array,axis=1,keepdims=False)
print("t2:",t2)
#ord默认2,axis为1,keedims为true即二范式,按行处理,保留二维
t3=np.linalg.norm(array,axis=1,keepdims=True)
print("t3:",t3)
#ord默认2,axis为0,keedims默认false即二范式,按列处理,不保留二维
t4=np.linalg.norm(array,axis=0,keepdims=False)
print("t4:",t4)
#ord默认2,axis为0,keedims为true即二范式,按列处理,保留二维
t5=np.linalg.norm(array,axis=0,keepdims=True)
print("t5:",t5)
结果:
#np.inf无穷范数的条件下
#ord为np.inf,axis默认none,keedims默认false即矩阵无穷范数,不保留二维
t=np.linalg.norm(array,ord=np.inf)#每行和中的最大值
print("t:",t)
#ord为np.inf,axis默认none,keedims为true即矩阵无穷范数,保留二维
t1=np.linalg.norm(array,ord=np.inf,keepdims=True)#每行和中的最大值
print("t1:",t1)
#ord为np.inf,axis为1,keedims默认false即无穷范数,按行处理,不保留二维
t2=np.linalg.norm(array,ord=np.inf,axis=1,keepdims=False)
print("t2:",t2)
#ord为np.inf,axis为1,keedims为true即无穷范数,按行处理,保留二维
t3=np.linalg.norm(array,ord=np.inf,axis=1,keepdims=True)
print("t3:",t3)
#ord为np.inf,axis为0,keedims默认false即无穷范数,按列处理,不保留二维
t4=np.linalg.norm(array,ord=np.inf,axis=0,keepdims=False)
print("t4:",t4)
#ord为np.inf,axis为0,keedims为true即无穷范数,按列处理,保留二维
t5=np.linalg.norm(array,ord=np.inf,axis=0,keepdims=True)
print("t5:",t5)
结果:
np.linalg.norm()用法相关推荐
- np.linalg.norm()用法总结
前言 np.linalg.norm()用于求范数,linalg本意为linear(线性) + algebra(代数),norm则表示范数. 用法 np.linalg.norm(x, ord=None, ...
- python3(十五)np.linalg.norm
linalg=linear(线性)+algebra(代数) x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False) 1) x:表示矩 ...
- 距离度量——使用 np.linalg.norm 计算两点之间的 Lp 距离
特征空间中两个实例点的距离是两个实例点相似程度的反映.可以用LpL_pLp distance来度量两个实例点的距离: Lp(xi,xj)=(∑l=1n∣xi(l)−xj(l)∣p))1pL_p(x_ ...
- [转载] numpy.dot numpy.linalg.eig numpy.linalg.svd np.linalg.inv 用法 + 例子
参考链接: Python中的numpy.dot numpy.dot() x是mn 矩阵 ,y是nm矩阵 则x.dot(y) 得到m*m矩阵 >>> np.dot(3, 4) 12 & ...
- np.linalg 线性代数
np.linalg.det(a) #计算行列式 np.linalg.norm(a,ord=None) #范数 np.linalg.eig(a) #特征值和特征向量 np.linalg.inv(a) # ...
- numpy 基础 —— np.linalg
(1)np.linalg.inv():矩阵求逆 (2)np.linalg.det():矩阵求行列式(标量) np.linalg.norm 顾名思义,linalg=linear+algebra\math ...
- python使用numpy中的flatten函数将2D numpy数组拉平为1Dnumpy数组、使用np.linalg.matrix_rank函数计算2D numpy数组的秩(rank)
python使用numpy中的flatten函数将2D numpy数组拉平为1Dnumpy数组.使用np.linalg.matrix_rank函数计算2D numpy数组的秩(rank) 目录
- scipy.linalg.norm 线性代数运算 API
线性代数运算 API https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.norm.html
- Matlab norm 用法小记
Matlab norm 用法小记 matlab norm (a) 用法以及实例 norm(A,p) 当A是向量时 norm(A,p) Returns sum(abs(A).^p)^(1/p), f ...
最新文章
- Mvc多级Views目录 asp.net mvc4 路由重写及 修改view 的寻找视图的规则
- pg多行合并为逗号分隔一行_postgresql 将逗号分隔的字符串转为多行的实例_PostgreSQL_数据库...
- 「AHOI / HNOI2018」转盘 解题报告
- 全流程解读:建立销售和营销模型的 9 个步骤
- 使用dbms_stats.gather_table_stats调整表的统计信息
- UESTC_酱神寻宝 2015 UESTC Training for Dynamic ProgrammingProblem O
- DNS and Bind (二)
- Ubuntu18.04 安装搜狗输入法后无法启动的问题
- Linux系统编程38:多线程之什么是线程同步以及条件变量函数
- coco 语义分割_YOLACT++:目前最热门的实时实例分割开源库
- android没有实现glFlush或glFinish
- SpringBoot进阶-寻找附近的人,Redis实现交友APP(七)
- <学习笔记>从零开始自学Python-之-web应用框架Django( 八)Django表单
- 蓝桥杯摔手机测试次数
- Python3-word文档操作(八):提取word文档中的图片方式一-利用docx库
- 华为2020软件精英挑战赛成渝赛区初赛赛后方案分享
- linux修改ipaddr,并保存
- 软考知识点梳理--项目评估
- warframe怒焚者结合目标_warframe哪些地图有结合目标 | 手游网游页游攻略大全
- 哪家科技巨头的人工智能最先觉醒:谷歌、Facebook、还是特斯拉?
热门文章
- Dynamic动态类型
- 一维数组去重处理法二(C语言)
- 全国高校计算机课程教学系列报告会,西安交大承办2013年全国高校物理课程教学系列报告会...
- 2021沭阳中学高考成绩查询,沭阳建陵中学2020高考喜报!
- 信息学奥赛一本通 2068:【例2.6】鸡兔同笼
- 信息学奥赛一本通 1086:角谷猜想 | OpenJudge NOI 1.5 21
- 信息学奥赛一本通(1106:年龄与疾病)
- 信息学奥赛一本通(1037:计算2的幂)
- 4-adjacent(AtCoder-2686)
- Factors of Factorial(AtCoder-2286)