python numpy np.linalg的用法

最新推荐文章于 2025-10-10 20:43:53 发布

原创最新推荐文章于 2025-10-10 20:43:53 发布 · 1w 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#machineLearning

代码记录同时被 2 个专栏收录

10 篇文章

订阅专栏

学习笔记

7 篇文章

订阅专栏

本文介绍NumPy中线性代数模块linalg的主要功能，包括范数运算、矩阵特征向量计算、矩阵求逆及求行列式等常用操作，并提供多个示例帮助理解。

numpy下的linalg=linear+algebra，包含很多线性代数的运算，主要用法有以下几种：

1.np.linalg.norm：进行范数运算，范数是对向量（或者矩阵）的度量，是一个标量（scalar）;

2.np.linalg.eigh：计算矩阵特征向量，PCA中有使用到，下面是几个例子：

>>> w, v = LA.eig(np.diag((1, 2, 3)))  
>>> w; v  
array([ 1.,  2.,  3.])  
array([[ 1.,  0.,  0.],  
       [ 0.,  1.,  0.],  
       [ 0.,  0.,  1.]])

>>> w, v = LA.eig(np.array([[1, -1], [1, 1]]))  
>>> w; v  
array([ 1. + 1.j,  1. - 1.j])  
array([[ 0.70710678+0.j        ,  0.70710678+0.j        ],  
       [ 0.00000000-0.70710678j,  0.00000000+0.70710678j]])

>>> a = np.array([[1, 1j], [-1j, 1]])  
>>> w, v = LA.eig(a)  
>>> w; v  
array([  2.00000000e+00+0.j,   5.98651912e-36+0.j]) # i.e., {2, 0}  
array([[ 0.00000000+0.70710678j,  0.70710678+0.j        ],  
       [ 0.70710678+0.j        ,  0.00000000+0.70710678j]])

>>> a = np.array([[1 + 1e-9, 0], [0, 1 - 1e-9]])  
>>> # Theor. e-values are 1 +/- 1e-9  
>>> w, v = LA.eig(a)  
>>> w; v  
array([ 1.,  1.])  
array([[ 1.,  0.],  
       [ 0.,  1.]])

3.np.linalg.inv()：矩阵求逆

4.np.linalg.det()：矩阵求行列式（标量）