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()

这篇文章写得很好，有实际例子说明

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）