- (1)np.linalg.inv():矩阵求逆
- (2)np.linalg.det():矩阵求行列式(标量)
-
>>> x = np.array([3, 4]) >>> np.linalg.norm(x) 5. >>> np.linalg.norm(x, ord=2) 5. >>> np.linalg.norm(x, ord=1) 7. >>> np.linalg.norm(x, ord=np.inf) 4
# -*- coding: utf-8 -*- """ Created on Mon Oct 8 16:02:57 2018 Python 3.6 scipy 1.1.0 @author: hanzi5 """ import numpy as np import scipy as sc from scipy import linalg #A=np.mat([[4,-2],[3,-1]]) A=np.mat([[4,2,-5],[6,4,-9],[5,3,-7]],dtype=int) A.A # 返回自身数据的2维数组的一个视图(没有做任何的拷贝);矩阵->数组变换 A.T # 返回自身的转置 A.H # 返回自身的共轭转置,实数等同于T A.I # 返回自身的逆矩阵 B=np.linalg.inv(A) # 返回自身的逆矩阵(np中的函数) A_abs=np.linalg.det(np.round(A)) #使用linalg.det求得方阵的行列式 A_bansui=B*A_abs # 求A矩阵的伴随矩阵 A.trace() #计算A的迹,方阵的迹就是主对角元素之和 np.linalg.det(A) #返回的是矩阵a的行列式 np.linalg.norm(A,ord=None) #计算矩阵a的范数 np.linalg.eig(A) #矩阵a的特征值和特征向量 np.linalg.cond(A,p=None) #矩阵a的条件数 np.linalg.inv(A) #矩阵a的逆矩阵 np.linalg.matrix_rank(A) #矩阵的秩,矩阵排除线性相关后不为0的行
求解矩阵的特征值及特种向量,检测计算结果是否正确 # 矩阵的特征值及特征向量求解 x = np.diag((1, 2, 3))#创建一个对角矩阵! a,b = np.linalg.eig(x)#特征值保存在a中,特征向量保存在b中 np.linalg.eigvals(A) # 特征值 #根据公式 Ax = λx 检验特征值与特征向量是否正确: for i in range(3):#方法一 if np.allclose(np.dot(a[i], b[:, i]), x[:, i]):#np.allclose() print( 'Right') else: print( 'Error') for i in range(3):#方法二 if (np.dot(a[i], b[:, i]) == x[:, i]).all(): print( 'Right') else: print( 'Error') # 矩阵LU分解 l,u = sc.linalg.lu(A,True)
“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