Python中的常用数学操作

矩阵

范数

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False)

x: 矩阵
ord: 范数的阶。默认为‘fro’。
当ord是正整数时，矩阵范数由对应的向量范数决定，（称为该向量范数的从属范数）。
$$||x|{|}_{ord}=(\sum _{i=1}^n{x}_i^{ord}{)}^{1/ord}$$
$$||A||=\underset{x\ne 0}{\max }\frac{||Ax|{|}_{ord}}{||x|{|}_{ord}}=\underset{||x|{|}_{ord}=1}{\max }||Ax|{|}_{ord}$$
特别的，
$$ord=1,||A|{|}_1=ma{x}_{1\le j\le n}\sum _{i=1}^n|a_{ij}|\text{（最大列和）}$$
$$ord=\inf ,||A|{|}_{\inf }=ma{x}_{1\le i\le n}\sum _{j=1}^n|a_{ij}|\text{（最大行和）}$$
$$ord=2,||A|{|}_2=[\rho (A^{T}A){]}^{1/2}\text{（最大奇异值，ρ 为谱半径）}$$
当$ord$为负整数时，其实不再是数学上的范数，表示的是对应的
$$||A||=\underset{||x|{|}_{ord}=1}{\min }||Ax|{|}_{ord}$$
此外，
$$ord=‘fro’,||A|{|}_{fro}=(\sum _{i,j=1}^n|a_{ij}{|}^2{)}^{1/2}\text{（Frobenius范数）}$$
$$ord=‘nuc’,||A|{|}_{nuc}=\text{所有奇异值之和 (nuclear范数)}$$

条件数

对于矩阵$A$，条件数
$$cond(A)=||A||\cdot ||A^{-1}||$$

numpy.linalg.cond(x, p=None)

x: 矩阵
p: 用于确定使用哪种矩阵范数。同numpy.linalg.norm的参数ord。注意，默认为2-norm！

特征值

numpy.linalg.eig(x)

x: 矩阵
return：分为两部分，一个一维数组w表示全体特征值，和一个二维数组，第i列为$w[i]$的归一化的特征向量。

当求特征值算法不收敛时会报错。

谱半径

数学上，称一个矩阵$A$的全体特征值的集合为谱，记作$\sigma (A)$。谱半径
$$\rho (A)=\underset{\lambda \in \sigma (A)}{\max }|\lambda |$$

谱半径在数值分析中很有用，例如，判断迭代法是否收敛。numpy没有直接的函数可以调用，可以通过eig得到

max(abs(eig(x)[0]))

行列式

numpy.linalg.det(x)