安装Office 2013后无法安装MS Project 2013(Can't install MS Project 2013 after installing Office 2013)
我正在尝试安装Microsoft Project Professional 2013.事实上我已经安装了MS Office 2013,我没有遇到任何问题。 现在,我收到一条错误消息,安装失败。 关于我如何解决这个问题的任何想法?
我正在运行安装了所有更新的Windows 7 32位。
I'm trying to install Microsoft Project Professional 2013. The fact is I already installed MS Office 2013, and I had no issues with that. now, i'm getting an error message and the installation fails. any idea about how i can fix that ?
I'm running Windows 7 32 Bits with all the updates installed.
原文:https://stackoverflow.com/questions/17001817
最满意答案
如本文所述,将特征向量存储为列向量。 所以你必须使用
vecs[:,0]
而不是vecs[0]
例如,这对我
eig
(我使用eig
因为A
不对称)import numpy as np import numpy.linalg as LA import numpy.random A = numpy.random.randint(10,size=(4,4)) # array([[4, 7, 7, 7], # [4, 1, 9, 1], # [7, 3, 7, 7], # [6, 4, 6, 5]]) eval,evec = LA.eig(A) evec[:,0] # array([ 0.55545073+0.j, 0.37209887+0.j, 0.56357432+0.j, 0.48518131+0.j]) np.dot(A,evec[:,0]) / eval[0] # array([ 0.55545073+0.j, 0.37209887+0.j, 0.56357432+0.j, 0.48518131+0.j])
The eigen vectors are stored as column vectors as described here. So you have to use
vecs[:,0]
insteadvecs[0]
For example this here works for me (I use
eig
becauseA
is not symmetric)import numpy as np import numpy.linalg as LA import numpy.random A = numpy.random.randint(10,size=(4,4)) # array([[4, 7, 7, 7], # [4, 1, 9, 1], # [7, 3, 7, 7], # [6, 4, 6, 5]]) eval,evec = LA.eig(A) evec[:,0] # array([ 0.55545073+0.j, 0.37209887+0.j, 0.56357432+0.j, 0.48518131+0.j]) np.dot(A,evec[:,0]) / eval[0] # array([ 0.55545073+0.j, 0.37209887+0.j, 0.56357432+0.j, 0.48518131+0.j])
相关问答
更多-
大多数重要信息都在Andras Deak的评论中。 总结一下:正如我们都应该知道的那样,特征值和特征向量只有乘法常数才是唯一的。 虽然在这种特殊情况下R和MATLAB碰巧有不同的符号,但特征向量上的所有后续矩阵运算将产生相同的结果(同样,在符号或常数值内)。 在我的特定情况下,最终结果基本上是:一个答案是a*x -b =0而另一个答案是-a*x + b = 0 。 Most of the important info is in the comments by Andras Deak. To summari ...
-
(增量)PCA的特征向量不是转置但应该是?((Incremental)PCA's Eigenvectors are not transposed but should be?)[2024-02-27]
如果你看一下文档,从形状上可以清楚地看出,特征向量在行中而不是列中。 sklearn PCA的要点是您可以使用transform方法进行正确的转换。 If you look at the documentation, it's pretty clear from the shape that the eigenvectors are in the rows, not the columns. The point of the sklearn PCA is that you can use the trans ... -
如何使用通过PCA获得的特征向量重新处理我的数据?(How to use eigenvectors obtained through PCA to reproject my data?)[2022-12-16]
你在做什么实质上是减少维度 。 您目前拥有排名前100的特征向量,这些特征向量可确定保留数据中最大差异的基向量。 你现在要做的是将你的测试数据投影到这些相同的基本向量上。 顺便说一句,你的协方差矩阵计算确实有错误。 这是在每个功能的基础上执行的,但是您要以每个图像为基础执行此操作......所以这是不正确的。 您必须在计算中交换转置的顺序。 您还必须除以总数减1来完成计算并生成一个无偏估计量 : A = (1/(cols-1))*(A*A.'); 转置首先乘法假定每列都是一个特征,但这不适用于您。 如果你 ... -
AFAIK找到通用矩阵的第一个k特征值的问题没有简单的解决方案。 您提到的Matlab函数eigs应该与稀疏矩阵一起使用。 Matlab可能使用Arnoldi / Lanczos,即使你的矩阵不稀疏,你也可以试试它是否适合你的情况。 Arnlodi的参考包是ARPACK ,它有一个C ++接口。 AFAIK the problem of finding the first k eigenvalues of a generic matrix has no easy solution. The Matlab f ...
-
numPy中意外的特征向量(Unexpected eigenvectors in numPy)[2023-09-01]
你只是误解了eig的回归。 根据文档,第二个回归论点是 归一化(单位“长度”)特征向量,使得列v [:,i]是对应于特征值w [i]的特征向量。 因此,对应于特征值1的特征向量不是[ 0.4472136 , -0.70710678] ,而是[-0.70710678, -0.70710678] ,因为可以很容易地验证: >>> markov.dot([ 0.4472136 , -0.70710678]) # not an eigenvector array([ 0.21634952, -0.59167474] ... -
如果您想要分析推导的精确度,则需要使用符号计算 ,这是Wolfram Alpha,Mathematica和相关系统使用的。 例如,在Python中,您可能想要查看SymPy 。 嵌入到您所使用的NumPy包中的数值计算本质上受到浮点数值表示的小错误和变化的影响。 数值计算不可避免地会出现这种误差和近似值。 这是一个例子: from sympy import Matrix, pretty L = Matrix([[ 2, -1, -1, 0, 0, 0,], [-1, 3, 0, -1, ...
-
特征值越小,连接越少。 0只是意味着“断开连接”。 考虑这是一个值,您需要切割哪些边缘来生成单独的组件。 切割与特征向量正交 - 假定有一些阈值t,使得低于t的节点应该进入一个组件,高于t到另一个组件。 The smaller the eigenvalue, the less connected. 0 just means "disconnected". Consider this a value of what share of edges you need to cut to produce separ ...
-
转换矩阵是否对称? 如果没有,考虑检查TT (转置),因为你需要确保你正在查看正确的状态转换:你需要你的随机矩阵的左特征向量,但几乎所有开箱即用的科学包(包括numpy)默认为计算正确的特征向量(这与教科书中的原因相同,在处理这些东西时,你需要通过行向量预乘而不是通常的矩阵列乘法)。 也许还有sstate = sstate/sstate.sum()以确保概率总和为1,尽管是舍入。 这是numpy的一个例子。 从注释中添加了关于右侧与左侧特征向量的详细信息: eig和它之类的东西eig算出正确的特征向量,就像 ...
-
如本文所述,将特征向量存储为列向量。 所以你必须使用vecs[:,0]而不是vecs[0] 例如,这对我eig (我使用eig因为A不对称) import numpy as np import numpy.linalg as LA import numpy.random A = numpy.random.randint(10,size=(4,4)) # array([[4, 7, 7, 7], # [4, 1, 9, 1], # [7, 3, 7, 7], # [ ...
-
这里实际上没有错误,但你把sym=TRUE放入ARPACK选项列表时犯了一个错误,但是sym是arpack()函数的一个参数。 即正确的电话是: ev <- arpack(func, options=list(n=3, nev=2, ncv=3, which="LM", maxiter=200), sym=TRUE, complex = FALSE) ev$values # [1] 3 2 ev$vectors # [,1] [,2] ...