线性代数（关于矩阵的运算及各种分解的python实现）

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