def test():
for i in range(10):
print()
a=numpy.randmatrix(5,5)
b=numpy.randmatrix(5,5)#10個の
print("a*b=",str(a*b))
w,h=numpy.factorize(a*b)
print("w*h",str(w*h))
print("誤差：" + str(numpy.difcost(a*b,w*h)))
titles,words = numpy.showfeatures(w,h,\
["Google","Microsoft","Twitter","Codepad","Skype"],\
[\
[0,5,2,0],\
[5,2,2,0],\
[0,1,0,5],\
[2,2,5,2],\
[0,2,0,5],\
])
#5社
#PC,Search,Programming,Talk
print("PC,Search,Programming,Talk")
for title,word in zip(titles,words):
print(title,word)
def factorize(v,pc=10,iter=50):
"""
{オライリー本
「集合知プログラミング」より}
v=因子分解するデータ行列（行＝テストケースの番号、列＝テスト結果得るデータたちの番号）
pc=因子の数
iter=更新回数
vのﾌｫｰﾏｯﾄ～
array(No1,No2.....) = 記事ナンバー？テストケースナンバー？
array(value1,value2.....) = 記事の単語たち テストケースの結果たち
data=matrix([No1.value1.times,No1.value2.times,....]
[No2.value1.times,No2.value2.times,....])
すべて正の値でなければならない（非負値因子分解）
～～～～～～
factorize(data,)
"""
#行列なので、掛け算には順序があります
w=numpy.randmatrix(int(numpy.shape(v)[0]),pc)#vの行数×pc のランダム行列wを生成（初期重み）
#テストケース番号毎の各因子の重み
h=numpy.randmatrix(pc,int(numpy.shape(v)[1]))#pc×vの列数 のランダム行列hを生成（初期特徴）
#テストケース結果毎の持つ因子
#乗法的更新ルール(勾配降下法)
for i in range(iter):#iter回ループ
wh=w*h#重み*特徴
cost=numpy.difcost(v,wh)#目的行列との距残差平方和を計算
#if i%10==0:print(cost)#10回毎に距残差平方和を表示する
if cost==0:break#距残差平方和が0なら目的変数と完全に合致、完全な因子w,hを発見
h=numpy.matrix(numpy.array(h)*numpy.array(w.T*v)/numpy.array(w.T*w*h))
#行列H=配列計算{配列(H)*配列(行列計算(w.T*v))/配列(行列計算(w.T*w*h))}
w=numpy.matrix(numpy.array(w)*numpy.array(v*h.T)/numpy.array(w*h*h.T))
#行列W=配列計算{配列(w)*配列(行列計算(v*h.T))/配列(行列計算(w*h*h.T))}
#}
return w,h