主要记录的是自己复习过程中遇到的零零散散、貌似很重要但又容易忘的知识点，总的来说比较基础，适合无聊的时候，一边摸鱼一边看。

数据科学中的数学基础

目录

数据科学中的数学基础

1.标量  

2.向量  

3.矩阵

4.函数

5.元胞数组

6.文件

7.分支语句

8.ps===

1.标量  

b=linspace(1,10,5) %以linspace在区间1~10之间生成5个元素的向量

b =

1.0000 3.2500 5.5000 7.7500 10.0000

>> c=logspace(1,5,3) %以logspace在区间1~5之间生成包含3个对数等分数据的行向

量

c =

10 1000 100000

3.矩阵

tril(A)  lower triangular matrix  下三角矩阵

triu(A) upper triangular matrix 上三角矩阵

A=[1,2,3;3,4,5;7,8,9]; %3x3的矩阵

R=triu(A,-1) %以第-1条对角线分隔提取上三角

R =

1 2 3

3 4 5

0 8 9

diag(A)  diagonal  对角线

eye(n) :生成n*n阶单位矩阵

eye(m,n):生成m*n的单位矩阵，对角线元素为 1，其他为0

eye(size(A))：生成一个矩阵Ａ大小相同的单位 矩阵

size(A) 输出A矩阵的行数和列数。如果A多维，则输出每一维的个数（维数的长度）。

size(A,2) 输出A第二维的个数。

size(A,[1,3]) 输出A第一和第三维的个数。

size(A,2:4) 输出二到四维的个数。

以下函数与eye用法类似。

ones() 全1矩阵 

zeros() 全0矩阵

rand() 随机矩阵  默认0~1的范围，可以通过n*rand()设置想要的范围。

randn() 生成n*n的服从标准正态分布的随机矩阵

加法：

矩阵和向量相加，即向量和矩阵的每一 行相加。这是一种隐式地复制向量到很

多位置的方式，称为广播。

乘法

注意点乘 .* 和直接 * 的区别

dot(x,y) 标量点积

A = [4 -1 2];
B = [2 -2 -1];

计算 A 和 B 的点积。

C = dot(A,B);  C结果为 8，因为C = A(1)*B(1) + A(2)*B(2) + A(3)*B(3)

 用cross() 表示叉积

使用点积验证 C 是否与 A 和 B 垂直。dot(C,A)==0 & dot(C,B)==0

范数norm()

向量的1范数为各个元素的绝对值之和

向量的2范数为各个元素的平方和的平方根

向量的负无穷范数为所有元素的绝对值中最小的

向量的正无穷范数为所有元素的绝对值中最大的

向量的p范数为p次方和的p次方根

diff(f,x) 对x求偏导

diff(f,y) 对y求偏导

x=2;

y=3;

[m,n]=myswap(x,y);

function [a,b]=myswap(x,y)

a=y;

b=x;

>> x=2;

>> y=3;

>> [x,y]=myswap(x,y);

函数名=inline(‘函数表达式’, ‘变量1‘, ‘变量2‘……)

>> edit test %新建test.m文件

于是A的值就变成100了

ax1 = axes('Position',[0.1 0.1 0.7 0.7]);  坐标(0.1,0.1) x,y轴宽度0.7