numpy.linalg ——numpy中包含线性代数函数的模块

前言：
本篇主要由博主xie仗剑天涯的总结，博文：
https://www.cnblogs.com/xieshengsen/p/6836430.html

这里主要整理格式，给自己作为记录

正文：

线性代数

numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。

import numpy as np

1. 计算逆矩阵

创建矩阵

A = np.mat("0 1 2;1 0 3;4 -3 8")
print (A)

[[ 0 1 2]
 [ 1 0 3]
 [ 4 -3 8]]

使用inv函数计算逆矩阵

inv = np.linalg.inv(A)
print (inv)

[[-4.5 7. -1.5]
 [-2. 4. -1. ]
 [ 1.5 -2. 0.5]]

检查原矩阵和求得的逆矩阵相乘的结果为单位矩阵

print (A * inv)

#[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]

注：矩阵必须是方阵且可逆，否则会抛出LinAlgError异常。

2. 求解线性方程组

numpy.linalg中的函数solve可以求解形如 Ax = b 的线性方程组，其中 A 为矩阵，b 为一维或二维的数组，x 是未知变量

import numpy as np

创建矩阵和数组

B = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0,8,-9])

调用solve函数求解线性方程

x = np.linalg.solve(B,b)
print (x)

#[ 29. 16. 3.]

使用dot函数检查求得的解是否正确

print (np.dot(B , x))

# [[ 0. 8. -9.]]

3. 特征值和特征向量

特征值（eigenvalue）即方程 Ax = ax 的根，是一个标量。其中，A 是一个二维矩阵，x 是一个一维向量。特征向量（eigenvector）是关于特征值的向量
numpy.linalg模块中，eigvals函数可以计算矩阵的特征值，而eig函数可以返回一个包含特征值和对应的特征向量的元组

创建一个矩阵

C = np.mat("3 -2;1 0")

调用eigvals函数求解特征值

c0 = np.linalg.eigvals(C)
print (c0)

# [ 2. 1.]

使用eig函数求解特征值和特征向量 (该函数将返回一个元组，按列排放着特征值和对应的特征向量，其中第一列为特征值，第二列为特征向量)

c1,c2 = np.linalg.eig(C)
print (c1)

# [ 2. 1.] 

print (c2)

#[[ 0.89442719 0.70710678]
# [ 0.4472136 0.70710678]]

使用dot函数验证求得的解是否正确

for i in range(len(c1)):
print ("left:",np.dot(C,c2[:,i]))
print ("right:",c1[i] * c2[:,i])

#left: [[ 1.78885438]
# [ 0.89442719]]
#right: [[ 1.78885438]
# [ 0.89442719]]
#left: [[ 0.70710678]
# [ 0.70710678]]
#right: [[ 0.70710678]
# [ 0.70710678]]

4.奇异值分解

SVD（Singular Value Decomposition，奇异值分解）是一种因子分解运算，将一个矩阵分解为3个矩阵的乘积
numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解。该函数返回3个矩阵——U、Sigma和V，其中U和V是正交矩阵，Sigma包含输入矩阵的奇异值。

import numpy as np

分解矩阵

D = np.mat("4 11 14;8 7 -2")

使用svd函数分解矩阵

U,Sigma,V = np.linalg.svd(D,full_matrices=False)
print ("U:",U)

#U: [[-0.9486833 -0.31622777]
# [-0.31622777 0.9486833 ]]

print ("Sigma:",Sigma)

#Sigma: [ 18.97366596 9.48683298]

print ("V",V)

#V [[-0.33333333 -0.66666667 -0.66666667]
# [ 0.66666667 0.33333333 -0.66666667]]

结果包含等式中左右两端的两个正交矩阵U和V，以及中间的奇异值矩阵Sigma

使用diag函数生成完整的奇异值矩阵。将分解出的3个矩阵相乘

print (U * np.diag(Sigma) * V)

#[[ 4. 11. 14.]
# [ 8. 7. -2.]]

5. 广义逆矩阵

使用numpy.linalg模块中的pinv函数进行求解,
注：inv函数只接受方阵作为输入矩阵，而pinv函数则没有这个限制

创建一个矩阵

E = np.mat("4 11 14;8 7 -2")

使用pinv函数计算广义逆矩阵

pseudoinv = np.linalg.pinv(E)
print (pseudoinv)

#[[-0.00555556 0.07222222]
# [ 0.02222222 0.04444444]
# [ 0.05555556 -0.05555556]]

将原矩阵和得到的广义逆矩阵相乘

print (E * pseudoinv)

#[[ 1.00000000e+00 -5.55111512e-16]
# [ 0.00000000e+00 1.00000000e+00]]

6. 行列式

numpy.linalg模块中的det函数可以计算矩阵的行列式

计算矩阵的行列式

F = np.mat("3 4;5 6")

使用det函数计算行列式

print (np.linalg.det(F))

# -2.0