高级编程技术 numpy课后习题

简单起见，先将n和m的大小分别设为2和5以利于打印，将n和m修改为200和500即满足题目要求。

使用到的库函数有：

numpy.matrix：生成矩阵A

numpy.random.normal：生成随机高斯数组，转化为矩阵A

scipy.linalg.toeplitz：生成托普利兹矩阵B

numpy.random.randn：用随机高斯数填充矩阵B（所以题目没有指明用什么数填充托普利兹矩阵，所以选择了randn尽量随机化）

使用到的库函数有：

numpy.eye：生成单位矩阵

np.dot：矩阵点积计算

A.T：使用A的转置属性

使用到的库函数有：

numpy.random.randn：用随机高斯数生成一个向量b

numpy.linalg.solve：计算Bx = b的线性解

np.allclose：检验结果是否正确

使用到的库函数有：

numpy.linalg.norm：使用参数'fro'，计算矩阵A的Frobenius范数

numpy.linalg.norm：使用参数numpy.inf，计算矩阵B的无穷范数

numpy.linalg.svd：计算矩阵B的奇异值

numpy.max：计算最大值

numpy.min：计算最小值

先使用一个测试样例检验算法是否正确：

测试样例为[[2,3,2],[10,3,4],[3,6,1]]，最大特征值是11，对应的特征向量是[0.5,1,0.75]

可以看到结果在10e-6的精度范围内是正确的。

分别对n=20,50,100,200,500进行测试，发现迭代次数和迭代时间并不稳定，而且程序有时候会卡死，这是因为幂迭代算法需要

保证矩阵有n个线性无关的特征向量，而用随机高斯数填充矩阵并不满足这一条件。

使用到的库函数有：

numpy.random.rand：生成0到1的均匀分布矩阵，然后将小于1-p的置为0，将大于1-p的置为1，从而产生概率为p的0-1矩阵

numpy.linalg.svd：计算矩阵的奇异值

测试最大奇异值和矩阵阶数n、概率p的关系

可以看到它们之间似乎没有严格的代数相等关系，不过总的来说n越大p越大，最大奇异值也就越大。

使用到的库函数有：

numpy.random.uniform：生成一个均匀分布的矩阵A用于测试（因为题目没有指明A的性质，所以随便选择了一个均匀分布）

numpy.argmin：计算矩阵中最小的数字的下标，通过abs(A - float(z))可以将矩阵A中与z最接近的数字变为最小的数字，取到这

个数字的下标后再从A中取到这个数字即可。