大江在郑州的博客

最近学习了，高维数据降为低维度数据的方法，了解了PCA主成分分析的方法。（1）学习了基本原理大体原理流程就是：1.先计算数据集（n*m）的协方差矩阵，2.再计算协方差矩阵的特征值和特征向量，3.对特征值从大到小进行排序，选出你需要的前l个特征值，以及对应的特征向量。4.将挑选的前l个特征向量重新组合成特征矩阵5.原有数据集（n*m）乘以新的特征矩阵，实现了降维。（2）基于原理的python的实现方法（3）利用python机器学习库scikit-learn如何快速调用PCA。涉及的特征

最近使用plt.contourf 绘制等值线时，绘制结果是一条斜对角线，寻找了好长时间才发现问题的。原因分析：plt.contourf（x,y,z）里面参数x 和 y 应该是互为转置矩阵，但是我是从其他计算结果引用了一个2维矩阵，结果造成x 和 y 矩阵是一样的。以下是错误绘制结果以下是正确的绘制结果。建议使用np.meshgrid函数 ，它会生成的两个互为转置的矩阵。如果不想用这个函数，那么就需要用 .T 方式让两个矩阵转置。例如： X,Y = np.meshgrid(x,y)或者 X =

numpy的数据类型列表名称 描述 bool_ 布尔型数据类型（True 或者 False） int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） intc 与 C 的 int 类型一样，一般是 int32 或 int 64 intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） int8 字节（-128 to 127） int16 整数（-32768