线性代数的主要内容是矩阵乘法、矩阵分解和行列式等,由于矩阵运算方法与基本的数值计算有极大的不同,NumPy提供了专门的方法或函数实现线性代数操作。
import numpy as np
x = np.array([[1,2,3],[4,5,6]])
y = np.array([[3,4,5],[7,8,9]])
print(x*y)
[[ 3 8 15]
[28 40 54]]
Process finished with exit code 0
使用乘法运算符得到的是两个数组元素级别的相乘,而不是矩阵点积,点积操作需要使用dot()函数(或方法)。
当然矩阵间的点积是需要,满足矩阵计算条件,以上的x和y显然不符合要求。
import numpy as np
x = np.array([[3,4],[7,8],[5,7],[6,5]])
y = np.array([[1,2,3],[4,5,6]])
print(np.dot(x,y))
[[19 26 33]
[39 54 69]
[33 45 57]
[26 37 48]]
Process finished with exit code 0
这里的矩阵x是4行2列,矩阵y是2行3列,x点积y结果为4行3列。
np.dot(x,y)
函数操作可以使用等价的x.dot(y)
方法操作实现,还可以使用中缀运算符@
。
print(x.dot(y))
print(x@y)
NumPy的子模块中提供了一组函数,用于实现标准的矩阵分解运算、求逆、求行列式等。
常用的线性代数函数:
函数 | 说明 |
---|---|
det | 求行列式 |
determinant | 数组的行列式 |
diag | 返回方阵的对角线(或非对角线)元素 |
dot | 两个数组的点积,即元素对应相乘 |
eig | 求方阵的本征值、本征向量 |
inner | 两个数组的内积 |
inv | 计算矩阵的乘法逆矩阵 |
lstsq | 求线性方程最小二乘解 |
matmul | 两个数组的矩阵积 |
pinv | 求Moore-Penrose伪逆 |
qr | QR分解 |
solve | 求解线性矩阵方程 |
svd | 奇异值分解 |
trace | 求对角线元素和 |
vdot | 两个向量的点积 |