Introduction to Python Exercises 9.Numpy

【前置条件】

按照题意，不妨将矩阵A初始化为元素服从标准高斯分布（标准正态分布）的n*m矩阵，将矩阵B初始化为首行为[0, 1, 2, ..., 499]的m*m托普利兹矩阵。

import numpy as np
from scipy.linalg import toeplitz 

n = 200
m = 500

A = np.random.randn(n, m)   # 元素服从标准高斯分布
B = toeplitz(list(range(0, 500)))   # m*m托普利兹矩阵

【问题解决】

python的常用矩阵运算可参考https://blog.csdn.net/ml_algorithmresearch/article/details/50602419

print(A + A)    
print(np.dot(A, A.T))   
print(np.dot(A.T, A))
print(np.dot(A, B))

def fun(lamb):
    C = B - lamb * np.ones((m, m))
    return (np.dot(A, C))
print(fun(2))   # 当lamb = 2时

b = np.random.rand(m, 1)    # 随机生成m*1矩阵
x = np.linalg.solve(B, b)   # 求解Bx = b
print(x)

范数运算相关知识可参考以下两篇博文：

（1）numpy的求模模块linalg在范数运算中的应用

（2）numpy.linalg.svd函数

print(np.linalg.norm(A, 'fro'))     # A的弗罗贝尼乌斯范数
print(np.linalg.norm(B, np.inf))    # B的无穷范数

# 奇异值（USV）分解
U,sigma,VT = np.linalg.svd(B) 
smax = max(sigma)
smin = min(sigma)

幂法求解矩阵特征值和特征向量的原理可参考https://blog.csdn.net/luckisok/article/details/1602266

# 求Z（n*n矩阵）的特征值与特征向量
def power_iteration(n):
    '''
    lamb：特征值
    u：特征向量
    ite_num：迭代次数
    end-begin：运算时间
    '''
    Z = np.random.randn(n,n)
    u = np.ones(n)
    lamb = 0
    ite_num = 0
    begin = time.clock()
    while True:
        v = np.dot(Z, u)
        lamb_old = lamb
        lamb = np.linalg.norm(v, np.inf)
        u = v / lamb
        ite_num += 1
        if abs(lamb - lamb_old) < 0.0001:
            break
    end = time.clock()
    return lamb, u, ite_num, end - begin
    
print(power_iteration(100))

def fun(n, p):
    C = np.random.binomial(1, p, (n,n)) # 元素服从二项分布
    U, sigma, VT = np.linalg.svd(C)
    smax = max(sigma)
    return sigma, smax

print(fun(100, 0.5))

提示中numpy模块的argmax 函数是用来求一个array中最大值的下标。

# 求数组A中最接近z的元素
def fun(z, A):
    B = abs(A - z)
    index = np.argmin(B)
    return A[index]

A = np.array([1, 2, 3, 4])
z = 2.8
print(fun(z, A))