线性代数Python计算：矩阵的线性运算

戌崂石

已于 2024-05-21 18:37:56 修改

阅读量274

点赞数 2

分类专栏：线性代数文章标签：线性代数矩阵 python

于 2022-06-12 19:45:33 首次发布

本文链接：https://blog.csdn.net/u012958850/article/details/125247207

版权

线性代数专栏收录该内容

30 篇文章 10 订阅

订阅专栏

在这里插入图片描述
给定正整数 $m$ 和 $n$ 和数域 $P$ ，
$\forall\boldsymbol{A}=\begin{pmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\ a_{21}&a_{22}&\cdots&a_{2n}\\ \vdots&\vdots&\cdots&\vdots\\ a_{m1}&a_{m2}&\cdots&a_{mn}\end{pmatrix},\boldsymbol{B}=\begin{pmatrix}b_{11}&b_{12}&\cdots&b_{1n}\\ b_{21}&b_{22}&\cdots&b_{2n}\\ \vdots&\vdots&\cdots&\vdots\\ b_{m1}&b_{m2}&\cdots&b_{mn}\end{pmatrix}\in P^{m\times n}$ ，定义 $\boldsymbol{A}$ 与 $\boldsymbol{B}$ 的和为：
$\boldsymbol{C}=\boldsymbol{A}+\boldsymbol{B}=\begin{pmatrix}a_{11}+b_{11}&a_{12}+b_{12}&\cdots&a_{1n}+b_{1n}\\ a_{21}+b_{21}&a_{22}+b_{23}&\cdots&a_{2n}+b_{2n}\\ \vdots&\vdots&\cdots&\vdots\\ a_{m1}+b_{m1}&a_{m2}+b_{m2}&\cdots&a_{mn}+b_{mn}\end{pmatrix}\in P^{m\times n}.$
定义 $\lambda$ 与 $\boldsymbol{A}$ 的积：
$\lambda\cdot\boldsymbol{A}=\begin{pmatrix}\lambda a_{11}&\lambda a_{12}&\cdots&\lambda a_{1n}\\ \lambda a_{21}&\lambda a_{22}&\cdots&\lambda a_{2n}\\ \vdots&\vdots&\cdots&\vdots\\ \lambda a_{m1}&\lambda a_{m2}&\cdots&\lambda a_{mn}\end{pmatrix}.$
数 $\lambda$ 与矩阵 $\boldsymbol{A}$ 的积常简记为 $\lambda\boldsymbol{A}$ 。矩阵的加法和数乘法统称为矩阵的线性运算。
在Python的numpy包中，表示两个同形（具有相同的行数和列数）2维数组的array对象，按元素运算实现矩阵的加法，数与数组的按元素乘法实现矩阵的数乘运算。
例1 实数域ℝ上矩阵 $\boldsymbol{A}=\begin{pmatrix}1&2&3\\4&5&6\end{pmatrix}$ ， $\boldsymbol{B}=\begin{pmatrix}6&5&4\\3&2&1\end{pmatrix}$ ，计算 $\boldsymbol{A}+\boldsymbol{B}$ 。

import numpy as np                      #导入numpy
A=np.array([[1, 2, 3],                  #设置A
            [4, 5, 6]])
B=np.array([[6, 5, 4],                  #设置B
            [3, 2, 1]])
print(A+B)

运行程序，输出

[[7 7 7]
 [7 7 7]]

即 $\boldsymbol{A}+\boldsymbol{B}=\begin{pmatrix}1&2&3\\4&5&6\end{pmatrix}+\begin{pmatrix}6&5&4\\3&2&1\end{pmatrix} =\begin{pmatrix}7&7&7\\7&7&7\end{pmatrix}$ 。
例2 我们知道 $(B,\oplus,\wedge)$ 构成一个域，其中 $B=\{0,1\}$ ， $\oplus$ 和 $\wedge$ 分别表示比特异或运算和与运算（见博文《Python的位运算》）。分辨率为 $m\times n$ 的单色屏幕（黑白屏）可视为 $B$ 上的一个 $m\times n$ 矩阵 $\boldsymbol{A}$ 。为檫除屏 $\boldsymbol{A}$ 上的画面，可以作运算 $\boldsymbol{A}\oplus\boldsymbol{A}$ ，也可以作运算 $0\wedge\boldsymbol{A}$ 。今设 $8\times8$ 单色屏上画面为
在这里插入图片描述
试用上述关于 $B^{n\times n}$ 上线性运算 $\oplus$ 和 $\wedge$ 的方法檫除画面。

import numpy as np                      #导入numpy
A=np.array([[0,0,1,1,1,1,0,0],			#设置画面矩阵
            [0,1,0,0,0,0,1,0],
            [1,0,0,0,0,0,0,1],
            [1,0,0,0,0,0,0,1],
            [1,0,0,0,0,0,0,1],
            [1,0,0,0,0,0,0,1],
            [0,1,0,0,0,0,1,0],
            [0,0,1,1,1,1,0,0]])
print(A)
print(A^A)								#用异或运算檫除
print(0&A)								#与运算檫除

Python分别用“^”和“&”表示异或运算符 $\oplus$ 和与运算符 $\wedge$ （见博文《Python的位运算》）。运行程序，输出

[[0,0,1,1,1,1,0,0],			#设置画面矩阵
 [0,1,0,0,0,0,1,0],
 [1,0,0,0,0,0,0,1],
 [1,0,0,0,0,0,0,1],
 [1,0,0,0,0,0,0,1],
 [1,0,0,0,0,0,0,1],
 [0,1,0,0,0,0,1,0],
 [0,0,1,1,1,1,0,0]]
[[0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]]
[[0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]]