Numpy入门学习之(二)linalg库----向量范数、矩阵范数、行列式、矩阵逆、幂

最新推荐文章于 2024-09-15 07:48:21 发布
最新推荐文章于 2024-09-15 07:48:21 发布
阅读量1.2k 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： numpy 机器学习 线性代数
原文链接：https://blog.csdn.net/qq_30138291/article/details/76327051
版权

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


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     """
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     Created on Sat Jul 29 15:33:39 2017
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     @author: Administrator
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     """
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########向量范数#########")
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "向量为:",[
     
     1,
     
     5,
     
     6,
     
     3,
     
     -1])
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "1范数：",np.linalg.norm([
     
     1,
     
     5,
     
     6,
     
     3,
     
     -1],ord = 
     
     1),
     
     "向量元素绝对值之和")
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########矩阵范数#########")
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.arange(
     
     12).reshape(
     
     3,
     
     4)
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "矩阵a为：")
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(a)
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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")
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  25. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  26. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########行列式#########")
    
    
    
   
   
  27. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.arange(
     
     1,
     
     17).reshape(
     
     4,
     
     -1)
    
    
    
   
   
  28. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "矩阵a为")
    
    
    
   
   
  29. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(a)
    
    
    
   
   
  30. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "a的行列式为：",np.linalg.det(a))
    
    
    
   
   
  31. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  32. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########逆矩阵np.linalg.inv()#########")
    
    
    
   
   
  33. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.array([[
     
     1,
     
     -1],[
     
     1,
     
     1]])
    
    
    
   
   
  34. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     b = np.array([[
     
     1/
     
     2,
     
     1/
     
     2],[
     
     -1/
     
     2,
     
     1/
     
     2]])
    
    
    
   
   
  35. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "矩阵相乘为单位矩阵E:")
    
    
    
   
   
  36. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(np.dot(a,b))
    
    
    
   
   
  37. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  38. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########伴随矩阵#########")
    
    
    
   
   
  39. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(a)
    
    
    
   
   
  40. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     det_a = np.linalg.det(a)
    
    
    
   
   
  41. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "a的行列式为：",det_a)
    
    
    
   
   
  42. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     inv_a = np.linalg.inv(a)
     
     ####求a的逆矩阵
    
    
    
   
   
  43. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "a的逆矩阵为:",inv_a)
    
    
    
   
   
  44. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "a的伴随矩阵为：")
    
    
    
   
   
  45. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     bansui = det_a*inv_a
    
    
    
   
   
  46. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(bansui)
    
    
    
   
   
  47. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "验证:",np.dot(bansui,a))
    
    
    
   
   
  48. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  49. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########A与A逆行列式#########")
    
    
    
   
   
  50. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.random.rand(
     
     5,
     
     5)
    
    
    
   
   
  51. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     inv_a = np.linalg.inv(a)
    
    
    
   
   
  52. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     det_a = np.linalg.det(a)
    
    
    
   
   
  53. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     det_inv_a = np.linalg.det(inv_a)
    
    
    
   
   
  54. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(det_a*det_inv_a)
    
    
    
   
   
  55. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  56. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########矩阵的幂matrix_power()#########")
    
    
    
   
   
  57. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.random.rand(
     
     3,
     
     3)
    
    
    
   
   
  58. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(a)
    
    
    
   
   
  59. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(np.linalg.matrix_power(a,
     
     2))
    
    
    
   
   
  60. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  61. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(
     
     "###########求解AXB=C?#########")
    
    
    
   
   
  62. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a = np.array([[
     
     1,
     
     2,
     
     3],[
     
     2,
     
     2,
     
     1],[
     
     3,
     
     4,
     
     3]])
    
    
    
   
   
  63. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     b = np.array([[
     
     2,
     
     1],[
     
     5,
     
     3]])
    
    
    
   
   
  64. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     c = np.array([[
     
     1,
     
     3],[
     
     2,
     
     0],[
     
     3,
     
     1]])
    
    
    
   
   
  65. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     det_a = np.linalg.det(a)
    
    
    
   
   
  66. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     det_b = np.linalg.det(b)
    
    
    
   
   
  67. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     inv_a = np.linalg.inv(a)
    
    
    
   
   
  68. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     inv_b = np.linalg.inv(b)
    
    
    
   
   
  69. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     if det_a != 
     
     0:
    
    
    
   
   
  70. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     if det_b !=
     
     0:
    
    
    
   
   
  71. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             x = np.dot(np.dot(inv_a,c),inv_b)
    
    
    
   
   
  72. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
             print(x)
    
    
    
   
   

 
 

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########向量范数#########
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     向量为: [
     
     1, 
     
     5, 
     
     6, 
     
     3, 
     
     -1]
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     1范数： 
     
     16.0 向量元素绝对值之和
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     2范数： 
     
     8.48528137424 向量元素绝对值的平方和再开方
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     无穷范数: 
     
     6.0 所有向量元素绝对值中的最大值
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########矩阵范数#########
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     矩阵a为：
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     0  
     
     1  
     
     2  
     
     3]
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     4  
     
     5  
     
     6  
     
     7]
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     8  
     
     9 
     
     10 
     
     11]]
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     F范数 
     
     22.4944437584 矩阵元素绝对值的平方和再开平方
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     2范数 
     
     22.4092981633 谱范数，即ATA矩阵的最大特征值的开平方
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     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
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########行列式#########
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     矩阵a为
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     1  
     
     2  
     
     3  
     
     4]
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     5  
     
     6  
     
     7  
     
     8]
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     9 
     
     10 
     
     11 
     
     12]
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [
     
     13 
     
     14 
     
     15 
     
     16]]
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a的行列式为： 
     
     4.73316543133e-30
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########逆矩阵np.linalg.inv()#########
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     矩阵相乘为单位矩阵E:
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     1.  
     
     0.]
    
    
    
   
   
  25. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.  
     
     1.]]
    
    
    
   
   
  26. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########伴随矩阵#########
    
    
    
   
   
  27. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     1 
     
     -1]
    
    
    
   
   
  28. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     1  
     
     1]]
    
    
    
   
   
  29. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a的行列式为： 
     
     2.0
    
    
    
   
   
  30. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a的逆矩阵为: [[ 
     
     0.5  
     
     0.5]
    
    
    
   
   
  31. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [
     
     -0.5  
     
     0.5]]
    
    
    
   
   
  32. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     a的伴随矩阵为：
    
    
    
   
   
  33. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     1.  
     
     1.]
    
    
    
   
   
  34. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [
     
     -1.  
     
     1.]]
    
    
    
   
   
  35. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     验证: [[ 
     
     2.  
     
     0.]
    
    
    
   
   
  36. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.  
     
     2.]]
    
    
    
   
   
  37. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########A与A逆行列式#########
    
    
    
   
   
  38. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     1.0
    
    
    
   
   
  39. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########矩阵的幂matrix_power()#########
    
    
    
   
   
  40. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     0.66673632  
     
     0.24542188  
     
     0.24331174]
    
    
    
   
   
  41. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.81223569  
     
     0.41511886  
     
     0.20157493]
    
    
    
   
   
  42. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.07107783  
     
     0.64497704  
     
     0.29675985]]
    
    
    
   
   
  43. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     0.66117181  
     
     0.42244142  
     
     0.28390083]
    
    
    
   
   
  44. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.89304891  
     
     0.50167529  
     
     0.34112338]
    
    
    
   
   
  45. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     0.59235659  
     
     0.47658948  
     
     0.23537168]]
    
    
    
   
   
  46. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ###########求解AXB=C?#########
    
    
    
   
   
  47. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     [[ 
     
     -2.   
     
     1.]
    
    
    
   
   
  48. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [ 
     
     10.  
     
     -4.]
    
    
    
   
   
  49. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      [
     
     -10.   
     
     4.]]



Q&Cui
关注
专栏目录
Linalg 线性代数库
u011566250的博客
12-09 807
在矩阵基本运算的基础上，Numpy的Linalg库可以满足大多数的线性代数运算。 矩阵的行列式 import numpy as np# n阶方阵的行列式运算 A = mat([[1,2,3],[4,5,6],[7,8,9]]) print np.linalg.det(A) # 方阵的行列式2.矩阵的逆invA = np.linalg.inv(A) print invA3.矩阵的转置AT = A.T
numpy 基础 —— np.linalg
03-29 6万+
顾名思义，linalg=linear+algebra，norm则表示范数，首先需要注意的是范数是对向量（或者矩阵）的度量，是一个标量（scalar）：
矩阵和向量数学库 linalg 使用指南
最新发布
gitblog_00599的博客
09-15 1072
矩阵和向量数学库 linalg 使用指南 linalg linalg.h is a single header, public domain, short vector math library for C++ 项目地址: htt...
numpy的linalg模块
xtingjie的博客
05-14 1700
linalg是numpy中用于线性代数计算的模块是linear algebra的简写里面有很多功能函数，可以求行列式、特征值、特征向量、求逆矩阵等等求行列式矩阵转置转置不需要用到linalg 方阵求逆如下图，求逆用inv函数，invert的简写 a和b互为逆 a和b相乘之后得到单位矩阵 广义逆矩阵迹求方阵的迹直接用numpy里面的函数即可 特征值和特征向量
Numpy中的 linalg 模块详解
我是张跑跑
03-01 1万+
1. 概述 Numpy中的 linalg 模块包含线性代数中的函数方法，用于求解矩阵的逆矩阵、求特征值、解线性方程组以及求行列式等，有了这个模块，在涉及到矩阵时，将极大的节约我们的时间和代码量。 下面对linalg模块中的函数进行一一讲解，因为相对简单，本文直接给出实际演示，若有不明白出可评论留言。 2. numpy.linalg 2.1 计算逆矩阵 linalg.inv(A) #!/usr/bi...
Numpy中求向量和矩阵的范数
qq_41368074的博客
08-05 914
import numpy as np 函数： np.linalg.norm(x, ord=None, axis=None, keepdims=False) 参数释义：x：向量或矩阵 ord：范数类型，默认二范数，ord1=1，求一范数，即元素绝对值和，ord=2，求二范数，ord=np.inf，求无穷范数，即max(|x_i|) axis：维度处理，axis=1表示按行向量处理，求多个行向量的范数；axis=0表示按列向量处理，求多...
矩阵运算-基于numpy矩阵运算实现ESTI-CS算法.zip
05-16
在矩阵运算方面，numpy提供了丰富的函数和方法，如矩阵的加减、乘除、转置、逆、求行列式、特征值等。例如，可以通过`numpy.add()`、`numpy.subtract()`、`numpy.multiply()`和`numpy.divide()`进行基本的矩阵加减...
numpy向量转换为矩阵_Numpy之将矩阵拉成向量的实例
weixin_28760171的博客
01-13 3314
Numpy之将矩阵拉成向量的实例废话不多说，直接上代码吧！# 矩阵操作# 将矩阵拉成向量import numpy as npx = np.arange(10).reshape(2,5)print(x)y1 = x.ravel()y2 = x.flatten()print("y1: ",y1," y2: ",y2)print(x)"""打印结果：[[0 1 2 3 4][5 6 7 8 9]]y1:...
numpy基础教程之np.linalg
09-19
通过 `numpy.linalg`，用户可以轻松地执行矩阵求逆、计算行列式、求解线性方程组等操作。本文将详细介绍 `numpy.linalg` 的核心功能，并通过实例帮助读者更好地理解这些函数的应用场景。 #### 二、关键函数解析 ##...
AI 数学基础知识-方向导数与梯度、范数矩阵、SVD分解、PCA、凸函数
Sun123234的博客
06-25 1558
AI 数学基础知识-方向导数与梯度、范数矩阵、SVD分解、PCA、凸函数
numpy的矩阵计算（linalg模块）
SHOUGOUGOU的专栏
09-21 320
numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算矩阵逆、求特征值、解线性方程组以及求解行列式等。
Numpy重要模块——linalg线性代数详细参数及演示
weimingchao的博客
05-23 1万+
numpy——linalg线性代数 实验目的 熟练掌握linalg中常用函数 实验原理 numpy.linalg模块包含线性代数的函数。使用这个模块，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。 NumPy.linalg函数和属性： 实验环境 Python 3.6.1 Jupyter 实验内容 练习numpy的linalg模块中常用函数的使用。 常用函数及说明： 代码部分 import numpy as np 1.计算逆矩阵 1)创建矩阵 A=np.mat("0 1 2;1 0 3;4 -3
linalg
qq_42910179的博客
10-22 437
1、linalg=linear（线性）+algebra（代数），norm则表示范数 x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False) ①x: 表示矩阵（也可以是一维） ②ord：范数类型 ③axis：处理类型 axis=1表示按行向量处理，求多个行向量的范数 axis=0表示按列向量处理，求多个列向量的范数 axis=N...
Python中范数计算以及numpy矩阵的运算
weixin_51744807的博客
04-30 8803
numpy包的运用
python矩阵范数_在不到一秒钟的时间里就可以得到巨大矩阵的范数：NUMPY，PYTHON...
weixin_35457696的博客
02-04 108
简单范数是一个内存受限的问题，对numpy不是很有效。改进它的唯一方法是进行一些阻塞，以避免多次重复数据：import numpy as npa = np.random.rand(1000000,100)print np.linalg.norm(a, axis =1).shapedef g(d, out=None):bs = 2000if out is None:r = np.empty(d.s...
python矩阵运算大全（linalg模块）
chunlinqin的博客
03-29 1475
1 python矩阵运算所需模块 import numpy as np import matplotlib.pyplot as plt import scipy.linalg as lg #scipy矩阵运算模块 2 定义矩阵和进行相关的矩阵运算 print(lg.inv(a)) #求取矩阵的逆矩阵 print(lg.det(a)) #求取矩阵的行列式 b=np.array([6,14]) #定义线性方程组的结果向量 print(lg.solve(a,b)) #求解线性方程组的解 print(lg.eig(
linalg模块函数介绍
one_day415的博客
08-29 3043
numpy.linalg模块的函数： 1、diag 函数 一维数组的是返回方针的对角线元素 2、dot 矩阵乘法 3、trace【trest】求迹，即对角线元素的和 4、det 求矩阵的行列式 5、eig [aige]计算方针的本征值和本征向量 6、inv 计算方针的逆 7、qr 计算qr分解 8、svd 计算奇异值的分解svd 9、solve 解决线性方程组的解Ax =b，其中A为方针 10、l...
np.linalg.inv()：
热门推荐
lijinxiu123的博客
09-06 7万+
np.linalg.inv()的用法
Python numpy矩阵操作：mat()与array()的区别与用法
例如，矩阵转置可以用`T`属性实现，矩阵乘法可以用`*`运算符，矩阵的行列式可以使用`linalg.det()`函数，逆矩阵可以使用`linalg.inv()`函数，范数可以使用`linalg.norm()`函数。需要注意的是，由于`numpy.matrix`...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值