Python中np.linalg.norm()用法實例總結
前言
np.linalg.norm()用於求范數,linalg本意為linear(線性) + algebra(代數),norm則表示范數。
用法
np.linalg.norm(x, ord=None, axis=None, keepdims=False)
1.x: 表示矩陣(一維數據也是可以的~)
2.ord: 表示范數類型
向量的范數:
矩陣的向量:
- ord=1:表示求列和的最大值
- ord=2:|λE-ATA|=0,求特征值,然後求最大特征值得算術平方根
- ord=∞:表示求行和的最大值
- ord=None:表示求整體的矩陣元素平方和,再開根號
3.axis:
參數 | 含義 |
---|---|
0 | 表示按列向量來進行處理,求多個列向量的范數 |
1 | 表示按行向量來進行處理,求多個行向量的范數 |
None | 表示整個矩陣的范數 |
4.keepdims:表示是否保持矩陣的二位特性,True表示保持,False表示不保持,默認為False
例子
1.默認狀態下:
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X))
Result:
2.改變axis:
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=1))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0))
3.改變ord:
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, ord=1))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, ord=2))
4.改變keepdims:
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0, keepdims=True))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0))
註意:嚴格來說,當 ord <= 0 時,不符合數學上的范數公式,但它仍然適用於各種數值目的。
import numpy as np a = np.arange(12) print(a) b = a.reshape((3, 4)) print(b) print(np.linalg.norm(a)) print(np.linalg.norm(b)) print(np.linalg.norm(b, 'fro')) print(np.linalg.norm(b, 'nuc')) print(np.linalg.norm(a, np.inf)) print(np.linalg.norm(a, -np.inf)) print(np.linalg.norm(a, 1)) print(np.linalg.norm(b, np.inf, axis=1)) print(np.linalg.norm(b, -np.inf, axis=0)) print(np.linalg.norm(b, 1))
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
22.4944437584
22.4944437584
22.4944437584
24.3646384993
11.0
0.0
66.0
[ 3. 7. 11.]
[ 0. 1. 2. 3.]
21.0
總結
到此這篇關於Python中np.linalg.norm()用法實例的文章就介紹到這瞭,更多相關Python np.linalg.norm()用法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- 初識python的numpy模塊
- python數據分析Numpy庫的常用操作
- Numpy實現矩陣運算及線性代數應用
- numpy的sum函數的axis和keepdim參數詳解
- 關於Python下的Matlab函數對應關系(Numpy)