老师课堂总结，请勿转载
Numpy中的核心线性代数工具
numpy.linalg模块包含线性代数的函数。使用这个模块，我们可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。
求解矩阵的范数
在实数域中，数的大小和两个数之间的距离是通过绝对值来度量 的。在解析几何中，向量的大小和两个向量之差的大小是 “长度 ” 和 “ 距 离 ”的概念来度量的。为了对矩阵运算进行数值分析，我们需要对向量 和矩阵的 “大小 ”引进某种度量。范数是绝对值概念的自然推广。
"范数 "是对向量和矩阵的一种度量,实际上是二维和三维 向量长度概念的一种推广.
向量范数
范数理论的一个小推论告诉我们：ℓ1≥ℓ2≥ℓ∞
矩阵的范数
范数汇总
转载地址http://blog.csdn.net/u011361880/article/details/73527229
矩阵行列式
方阵的逆矩阵
伴随矩阵
逆矩阵运算性质
代码
-
# -*- coding: utf-8 -*-
-
"""
-
Created on Sat Jul 29 15:33:39 2017
-
-
@author: Administrator
-
"""
-
-
import numpy
as np
-
-
print(
"###########向量范数#########")
-
print(
"向量为:",[
1,
5,
6,
3,
-1])
-
print(
"1范数：",np.linalg.norm([
1,
5,
6,
3,
-1],ord =
1),
"向量元素绝对值之和")
-
print(
"2范数：",np.linalg.norm([
1,
5,
6,
3,
-1],ord =
2),
"向量元素绝对值的平方和再开方")
-
print(
"无穷范数:",np.linalg.norm([
1,
5,
6,
3,
-1],ord = np.inf),
"所有向量元素绝对值中的最大值")
-
-
print(
"###########矩阵范数#########")
-
a = np.arange(
12).reshape(
3,
4)
-
print(
"矩阵a为：")
-
print(a)
-
print(
"F范数",np.linalg.norm(a,ord =
'fro'),
"矩阵元素绝对值的平方和再开平方")
-
print(
"1范数",np.linalg.norm(a,ord =
1),
"列和范数，即所有矩阵列向量绝对值之和的最大值")
-
print(
"2范数",np.linalg.norm(a,ord =
2),
"谱范数，即ATA矩阵的最大特征值的开平方")
-
print(
"无穷范数",np.linalg.norm(a,ord = np.inf),
"行和范数，即所有矩阵行向量绝对值之和的最大值")
-
-
-
print(
"###########行列式#########")
-
a = np.arange(
1,
17).reshape(
4,
-1)
-
print(
"矩阵a为")
-
print(a)
-
print(
"a的行列式为：",np.linalg.det(a))
-
-
print(
"###########逆矩阵np.linalg.inv()#########")
-
a = np.array([[
1,
-1],[
1,
1]])
-
b = np.array([[
1/
2,
1/
2],[
-1/
2,
1/
2]])
-
print(
"矩阵相乘为单位矩阵E:")
-
print(np.dot(a,b))
-
-
print(
"###########伴随矩阵#########")
-
print(a)
-
det_a = np.linalg.det(a)
-
print(
"a的行列式为：",det_a)
-
inv_a = np.linalg.inv(a)
####求a的逆矩阵
-
print(
"a的逆矩阵为:",inv_a)
-
print(
"a的伴随矩阵为：")
-
bansui = det_a*inv_a
-
print(bansui)
-
print(
"验证:",np.dot(bansui,a))
-
-
print(
"###########A与A逆行列式#########")
-
a = np.random.rand(
5,
5)
-
inv_a = np.linalg.inv(a)
-
det_a = np.linalg.det(a)
-
det_inv_a = np.linalg.det(inv_a)
-
print(det_a*det_inv_a)
-
-
print(
"###########矩阵的幂matrix_power()#########")
-
a = np.random.rand(
3,
3)
-
print(a)
-
print(np.linalg.matrix_power(a,
2))
-
-
print(
"###########求解AXB=C?#########")
-
a = np.array([[
1,
2,
3],[
2,
2,
1],[
3,
4,
3]])
-
b = np.array([[
2,
1],[
5,
3]])
-
c = np.array([[
1,
3],[
2,
0],[
3,
1]])
-
det_a = np.linalg.det(a)
-
det_b = np.linalg.det(b)
-
inv_a = np.linalg.inv(a)
-
inv_b = np.linalg.inv(b)
-
if det_a !=
0:
-
if det_b !=
0:
-
x = np.dot(np.dot(inv_a,c),inv_b)
-
print(x)
-
###########向量范数#########
-
向量为: [
1,
5,
6,
3,
-1]
-
1范数：
16.0 向量元素绝对值之和
-
2范数：
8.48528137424 向量元素绝对值的平方和再开方
-
无穷范数:
6.0 所有向量元素绝对值中的最大值
-
###########矩阵范数#########
-
矩阵a为：
-
[[
0
1
2
3]
-
[
4
5
6
7]
-
[
8
9
10
11]]
-
F范数
22.4944437584 矩阵元素绝对值的平方和再开平方
-
1范数
21.0 列和范数，即所有矩阵列向量绝对值之和的最大值
-
2范数
22.4092981633 谱范数，即ATA矩阵的最大特征值的开平方
-
无穷范数
38.0 行和范数，即所有矩阵行向量绝对值之和的最大值
-
###########行列式#########
-
矩阵a为
-
[[
1
2
3
4]
-
[
5
6
7
8]
-
[
9
10
11
12]
-
[
13
14
15
16]]
-
a的行列式为：
4.73316543133e-30
-
###########逆矩阵np.linalg.inv()#########
-
矩阵相乘为单位矩阵E:
-
[[
1.
0.]
-
[
0.
1.]]
-
###########伴随矩阵#########
-
[[
1
-1]
-
[
1
1]]
-
a的行列式为：
2.0
-
a的逆矩阵为: [[
0.5
0.5]
-
[
-0.5
0.5]]
-
a的伴随矩阵为：
-
[[
1.
1.]
-
[
-1.
1.]]
-
验证: [[
2.
0.]
-
[
0.
2.]]
-
###########A与A逆行列式#########
-
1.0
-
###########矩阵的幂matrix_power()#########
-
[[
0.66673632
0.24542188
0.24331174]
-
[
0.81223569
0.41511886
0.20157493]
-
[
0.07107783
0.64497704
0.29675985]]
-
[[
0.66117181
0.42244142
0.28390083]
-
[
0.89304891
0.50167529
0.34112338]
-
[
0.59235659
0.47658948
0.23537168]]
-
###########求解AXB=C?#########
-
[[
-2.
1.]
-
[
10.
-4.]
-
[
-10.
4.]]
1096
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
