Python 线性代数 矩阵乘法

使用numpy就可以用矩阵了
虽然官方文档说了不要用这个类
原因:

Despite its convenience, the use of the numpy.matrix class is discouraged, since it adds nothing that cannot be accomplished with 2D numpy.ndarray objects, and may lead to a confusion of which class is being used.

不过不管了 先用着吧
以下实现了矩阵乘法运算

>>> import numpy as np
>>> A = np.mat('[1 2 3;4 5 6]')
>>> A
matrix([[1, 2, 3],
        [4, 5, 6]])
>>> B = np.mat('2 0 -1;3 1 2]')
>>> B
matrix([[ 2,  0, -1],
        [ 3,  1,  2]])
>>> 2*A - 3*B
matrix([[-4,  4,  9],
        [-1,  7,  6]])
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python是一种高级编程语言,它提供了丰富的库和工具来进行线性代数计算。在Python,可以使用NumPy库来进行线性代数运算。 NumPy是Python用于科学计算的一个重要库,它提供了一个强大的多维数组对象和一系列的函数,用于处理这些数组。在NumPy,可以使用ndarray对象来表示向量、矩阵和张量等线性代数的基本数据结构。 以下是一些常用的线性代数操作在Python的实现方式: 1. 创建向量和矩阵: 使用NumPy的ndarray对象可以轻松地创建向量和矩阵。例如,可以使用np.array()函数创建一个向量或矩阵。 2. 矩阵运算: NumPy提供了一系列的函数用于矩阵运算,如矩阵乘法、转置、逆矩阵等。可以使用np.dot()函数进行矩阵乘法运算,使用np.transpose()函数进行矩阵转置,使用np.linalg.inv()函数计算矩阵的逆等。 3. 解线性方程组: 使用NumPy可以轻松地解线性方程组。可以使用np.linalg.solve()函数来求解形如Ax=b的线性方程组,其A为系数矩阵,b为常数向量。 4. 特征值和特征向量: NumPy提供了计算矩阵特征值和特征向量的函数。可以使用np.linalg.eig()函数来计算矩阵的特征值和特征向量。 5. 奇异值分解: 奇异值分解(SVD)是一种重要的矩阵分解方法。在NumPy,可以使用np.linalg.svd()函数进行奇异值分解。 以上只是线性代数Python的一些基本操作,NumPy还提供了更多的功能和方法来处理线性代数问题。希望这些信息对你有所帮助!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值