数据挖掘numpy中需要学习的线性代数知识

线性代数（如矩阵乘法、矩阵分解、⾏列式以及其他⽅阵数学等）是任何数组库的重要组成部分。不像某些语⾔（如 MATLAB），通过*对两个⼆维数组相乘得到的是⼀个元素级的积，⽽不是⼀个矩阵点积。因此， NumPy提供了⼀个⽤于矩阵乘法的dot函数（既是⼀个数组⽅法也是numpy命名空间中的⼀个函数）：

import numpy as np

x = np.array([[1., 2., 3.], [4., 5., 6.]])
x

y = np.array([[6., 23.], [-1, 7], [8, 9]])
y

x.dot

x.dot(y)

x.dot(y)等价于np.dot(x, y)

np.dot(x, y)

⼀个⼆维数组跟⼀个⼤⼩合适的⼀维数组的矩阵点积运算之后将会得到⼀个⼀维数组：

np.dot(x, np.ones(3))

@符（类似Python 3.5）也可以⽤作中缀运算符，进⾏矩阵乘法

numpy.linalg中有⼀组标准的矩阵分解运算以及诸如求逆和⾏列式之类的东⻄。它们跟MATLAB和R等语⾔所使⽤的是相同的⾏业标准线性代数库，如BLAS、 LAPACK、 Intel MKL（Math Kernel Library，可能有，取决于你的NumPy版本）等

from numpy.linalg import inv, qr
X = np.random.randn(5, 5)
X

mat = X.T.dot(X)#点击
mat

inv(mat)#计算方针的逆

mat.dot(inv(mat))
q, r = qr(mat)#计算qr分解
r