线性代数
Numpy 定义了 matrix 类型,使用该 matrix 类型创建的是矩阵对象,它们的加减乘除运算缺省采
用矩阵方式计算,因此用法和Matlab十分类似。但是由于 NumPy 中同时存在 ndarray 和 matrix
对象,因此用户很容易将两者弄混。这有违 Python 的“显式优于隐式”的原则,因此官方并不推荐
在程序中使用 matrix 。在这里,我们仍然用 ndarray 来介绍。
矩阵和向量积
矩阵的定义、矩阵的加法、矩阵的数乘、矩阵的转置与二维数组完全一致,不再进行说明,但矩阵的
乘法有不同的表示。numpy.dot(a, b[, out]) 计算两个矩阵的乘积,如果是一维数组则是它们的内积。
【例1】
import numpy as np
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 4, 5, 6])
z = np.dot(x, y) #向量点乘和矩阵乘法
print(z) # 70
x = np.array([[1, 2, 3], [3, 4, 5], [6, 7, 8]])
print(x)
# [[1 2 3]
# [3 4 5]
# [6 7 8]]
y = np.array([[5, 4, 2], [1, 7, 9], [0, 4, 5]])
print(y)
# [[5 4 2]
# [1 7 9]
# [0 4 5]]
z = np.dot(x, y)
print(z)
# [[ 7 30 35]
# [ 19 60 67]
# [ 37 105 115]]
z = np.dot(y, x)
print(z)
# [[ 29 40 51]
# [ 76 93 110]
# [ 42 51 60]]
70
[[1 2 3]
[3 4 5]
[6 7 8]]
[[5 4 2]
[1 7 9]
[0 4 5]]
[[ 7 30 35]
[ 19 60 67]
[ 37 105 115]]
[[ 29 40 51]
[ 76 93 110]
[ 42 51 60]]
注意:在线性代数里面讲的维数和数组的维数不同,如线代中提到的n维行向量在 Numpy 中是一维
数组,而线性代数中的n维列向量在 Numpy 中是一个shape为(n, 1)的二维数组。如下的行向量就是一个一维数组、列向量就是一个二维数组:
a = np.array([1, 2, 3])
a = a.reshape(-1, 1)
a
array([[1],
[2],
[3]])
矩阵特征值与特征向量
- numpy.linalg.eig(a) 计算方阵的特征值和特征向量。
- numpy.linalg.eigvals(a) 计算方阵的特征值。
【例1】求方阵的特征值特征向量
import numpy as np
# 创建一个对角矩阵!
x = np.diag((1, 2, 3)) #注意此处为圆括号
print(x)
# [[1 0 0]
# [0 2 0]
# [0 0 3]]
print(np.linalg.eigvals(x))
# [1. 2. 3.]
a, b = np.linalg.eig(x)
# 特征值保存在a中,特征向量保存在b中
print(a)
# [1. 2. 3.]
print(b)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]
# 检验特征值与特征向量是否正确
for i in range(3):
if np.allclose(a[i] * b[:, i], np.dot(x, b[:, i])):
#allclose用于比较两个array是不是每一个元素都相等,相等输出Right,不等输出Error
#用于验证lamda*x=A*x
print('Right')
else:
print('Error')
# Right
# Right
# Right
[[1 0 0]
[0 2 0]
[0 0 3]]
[1. 2. 3.]
[1. 2. 3.]
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
Right
Right
Right
【例2】判断对称阵是否为正定阵(特征值是否全部为正)。
import numpy as np
A = np.arange(16).reshape(4, 4)
print(A)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [12 13 14 15]]
A = A + A.T # 将方阵转换成对称阵
print(A)
# [[ 0 5 10 15]
# [ 5 10 15 20]
# [10 15 20 25]
# [15 20 25 30]]
B = np.linalg.eigvals(A) # 求A的特征值
print(B)
# [ 6.74165739e+01 ‐7.41657387e+00 1.82694656e‐15 ‐1.72637110e‐15]
# 判断是不是所有的特征值都大于0,用到了all函数,显然对称阵A不是正定的
if np.all(B > 0):
print('Yes')
else:
print('No')
# No
range() 与 np.arange():
- range()返回的是range object,而np.arange()返回的是numpy.ndarray(type(np.arange(10)) == np.ndarray)
(1)两者都是均匀地(evenly)等分区间;
- range尽可用于迭代,而np.arange作用远不止于此,它是一个序列,可被当做向量使用。
- range()不支持步长为小数,np.arange()支持步长为小数
(2)两者都可用于迭代
(3)两者都有三个参数,以第一个参数为起点,第三个参数为步长,截止到第二个参数之前的不包括第二个参数的数据序列
某种意义上,和STL中由迭代器组成的区间是一样的,即左闭右开的区间。[first, last)或者不加严谨地写作[first:step:last)
range(1,5)
tuple(range(1, 5))
list(range(1, 5))
r = range(1, 5)
type(r)
#<class 'range'>
for i in range(1