python零基础投喂（4.线性代数）

线性代数

'''
Numpy 定义了 matrix 类型，使用该 matrix 类型创建的是矩阵对象，它们的加减乘除运算缺省采
用矩阵方式计算，因此用法和Matlab十分类似。但是由于 NumPy 中同时存在 ndarray 和 matrix
对象，因此用户很容易将两者弄混。这有违 Python 的“显式优于隐式”的原则，因此官方并不推荐
在程序中使用 matrix 。在这里，我们仍然用 ndarray 来介绍。
'''

一、矩阵和向量积

# 矩阵的定义、矩阵的加法、矩阵的数乘、矩阵的转置与二维数组完全一致，不再进行说明，但矩阵的乘法有不同的表示。
# numpy.dot(a, b[, out]) 计算两个矩阵的乘积，如果是一维数组则是它们的内积。
import numpy as np
x=np.array([1,2,3,4,5])
y=np.array([2,3,4,5,6])
z=np.dot(x,y)
print(z)

x=np.array([[1,2,3],[3,4,5],[6,7,8]])
print(x)

70
[[1 2 3]
 [3 4 5]
 [6 7 8]]

y=np.array([[5,4,2],[1,7,9],[0,4,5]])
print(y)

[[5 4 2]
 [1 7 9]
 [0 4 5]]

z=np.dot(x,y)
print(z)
# 注意：在线性代数里面讲的维数和数组的维数不同，如线代中提到的n维行向量在 Numpy 中是一维
# 数组，而线性代数中的n维列向量在 Numpy 中是一个shape为(n, 1)的二维数组。

[[  7  30  35]
 [ 19  60  67]
 [ 37 105 115]]

二、矩阵特征值与特征向量

# numpy.linalg.eig(a) 计算方阵的特征值和特征向量。
# numpy.linalg.eigvals(a) 计算方阵的特征值。
#【例1】求方阵的特征值特征向量
# 创建一个对角矩阵！
x = np.diag((1, 2, 3))
print(x)

[[1 0 0]
 [0 2 0]
 [0 0 3]]

# 特征值。
print(np.linalg.eigvals(x))

[1. 2. 3.]

# 特征值 and 特征向量
a,b=np.linalg.eig(x)
# 特征值保存在a中，特征向量保存在b中
print(a)
print(b)

[1. 2. 3.]
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

# 检验特征值与特征向量是否正确
# numpy判断两个向量是否相近-numpy.allclose(非相等，相等直接==)
for i in range(3):
    if np.allclose(a[i]*b[:,i],np.dot(x,b[:,i])):
        print('Right')
    else:
        print('Error')

Right
Right
Right

#【例2】判断对称阵是否为正定阵（特征值是否全部为正）。
A=np.arange(16).reshape(4,4)
print(A)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

#矩阵的转置
A.T

array([[ 0,  4,  8, 12],
       [ 1,  5,  9, 13],
       [ 2,  6, 10, 14],
       [ 3,  7, 11, 15]])

# 将方阵转换成对称阵
A=A+A.T
print(A)

[[ 0  5 10 15]
 [ 5 10 15 20]
 [10 15 20 25]
 [15 20 25 30]]

# 求A的特征值：
B=np.linalg.eigvals(A)
print(B)

[ 6.74165739e+01 -7.41657387e+00  1.82694656e-15 -1.72637110e-15]