数据分析之Numpy学习笔记(三)(线性代数)
矩阵的点积
x.dot(y) -->矩阵的点积,如2x3 · 3X2 -->返回 2X2
等价于np.dot(x,y)
等价于x @ y
特征值和特征向量np.linalg.eig()
方阵才有 特征值
长方阵转方阵 奇异值
特征值的特点: (A^T)A 和 A(A^T)的特征值相同
理解特征值、特征向量
计算特征值和特征向量:
lmd,vector = np.linalg.eig(A) 返回矩阵A的特征值和特征向量
矩阵的转置和逆
A.T 矩阵的转置
inv(A) 矩阵的逆(实际上还是一个数组对象)
mat() 可以实现 numpy数组对象 转换为 matrix数组对象
matrix_obj.I 可以得到矩阵的逆(矩阵对象)
矩阵的行列式和迹和对角线元素
det() 行列式
eye() 单位矩阵,如:eye(4) -->生成一个4X4的单位矩阵
diag() 以一维数组的形式返回方阵的对角线(或非对角线)元素
或将一维数组转换成方阵(非对角线元素为0)
trace() 矩阵的迹,计算对角线元素的和
矩阵分解、解方程、最小二乘解
q,r = qr(A) 对A进行q,r分解
svd() 奇异值分解
solve() 解线性方程组Ax=b (A为方阵)
lstsq() 计算Ax=b的最小二乘解
,
,
,
下一篇:数据分析之Pandas学习笔记(一)(入门)