numpy学习3.0

矩阵+线性代数的种种基础函数
很像Matlab，但稍稍复杂了些，在定义矩阵的时候。

import numpy as np
from numpy.linalg import *
def main():
  eye=np.eye(3) #生成三阶的单位矩阵
  print(eye)
  m=np.array([[1,2],[3,4]])
  print('Inv:')
  print(inv(m))#利用模块numpy.linalg中的函数inv()求矩阵的逆
  print()
  print('Transport:')
  print(m.transpose())#利用numpy数组自带函数transpose()求矩阵的转置
  print()
  print('Det:')
  print(det(m))#利用模块numpy.linalg中的函数det()求矩阵的行列式值
  print()
  print('Eig:')
  print(eig(m))#将会返回两个数组，第一个由特征值组成，第二个由特征向量组成
  print('解线性方程组：')
  y=np.array([[5.],[7.]])
  print('A=')
  print(m)
  print('b=')
  print(y)
  print('A\\b=',solve(m,y))#解线性方程组，参数分别时系数矩阵，右端项
  print()
  print('Coef:')#皮尔逊相关系数
  print(np.corrcoef([1,0,1],[0,2,1]))
  print('Poly:')
  print()
  p=np.poly1d([4,3,2,1])#多项式从高次项到低次项系数
  print(p)
  print(p([1,2,3]))#分别计算x=1,2,3时多项式的函数值
if __name__ =="__main__":
   main()

Result:

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
Inv:
[[-2.   1. ]
 [ 1.5 -0.5]]

Transport:
[[1 3]
 [2 4]]

Det:
-2.0000000000000004

Eig:
(array([-0.37228132,  5.37228132]), array([[-0.82456484, -0.41597356],
       [ 0.56576746, -0.90937671]]))  #第一个数组表示特征值，第二个数组表示特征向量。
解线性方程组：  
A=
[[1 2]
 [3 4]]
b=
[[5.]
 [7.]]
A\b= [[-3.]
 [ 4.]]

Coef:
[[ 1.        -0.8660254]
 [-0.8660254  1.       ]]
Poly:

   3     2                     #这一行和下一行是一体的，表示正对下方x的指数。
4 x + 3 x + 2 x + 1
[ 10  49 142]