线性代数相关知识（矩阵）——基于Python

1 矩阵的相关运算（和差、数乘、对应乘、逆）

1.1 产生需要利用的矩阵

import numpy as np  #numpy 处理数组的科学计算库
#numpy本身不依赖于于任何的python软件包，只依赖于加速的线性代数库

##原单个cell仅能输出最后一个结果，该代码可以让单个cell输出所有的结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

a=np.array([[1,2,3],[4,5,6]]);a  #类似于产生矩阵
b=np.array([[1,2],[3,4],[5,6]]);b 
c=np.array([[1,2,3]]);c
d=np.array([[9,8,7],[3,2,1]]);d

1.2 矩阵的加减法（即对应元素相加减、同型）

#array----利用于矩阵的运算
#①矩阵的加法：即对应元素相加
sum=a+d;sum
#②放缩矩阵：数乘矩阵
fangsuo=3*a;fangsuo
#③矩阵的乘法：形状abbc=ac型,即2332=22
chengfa=np.dot(a,b);chengfa
#④矩阵对应元素相乘：满足两个矩阵是同型矩阵
dy=a*d;dy
#⑤矩阵的转置
zz=b.T;zz

1.3 方阵的逆、行列式、秩

##numpy中的linalg模块：包含线性代数的函数，使用这个模块，可以计算矩阵的逆，
#求特征值、解线性方程组等。
#求方阵的逆
e=np.array([[1,2],[3,4]]);e
inv_e=np.linalg.inv(e);inv_e
#将方阵转化为行列式
det_e=np.linalg.det(e);det_e  #行列式的本质：数
#求方阵的秩rank
rank_e=np.linalg.matrix_rank(e);rank_e

2 解线性方程组：AX=b

2.1 普通解法

#应用：利用python求线性方程组的解——AX=b
A=np.array([[10,-1,-2],[-1,10,-2],[-1,-1,5]]);A  #系数矩阵
b=np.array([72,83,42]);b #常数列

#方法一：利用原理进行计算
#X=inv(A)*b
X=np.dot(np.linalg.inv(A),b);X

#方法二：利用自带函数进行计算
X_=np.linalg.solve(A,b);X_

2.2 符号解法

#符号解：AX=b
from  sympy import symbols,Eq,solve
x,y,z=sympy.symbols('x y z')
eqs=[sympy.Eq(10*x-y-2*z,72),
     sympy.Eq(-x+10*y-2*z,83),
     sympy.Eq(-x-y+5*z,42)]
print(sympy.solve(eqs,[x,y,z]))