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 ...

np.linalg.norm()用法

np.linalg.norm()用法相关推荐

最新文章

热门文章