2021-07-13

• （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)