线性代数Python计算：矩阵的乘法

设$n,m,l\in$ℕ，$P$为一数域。
$\forall \mathbf{A}=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \cdots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right)\in P^{m\times n}$，$\mathbf{B}=\left(\begin{array}{cccc}{b}_{11}& b_{12}& \cdots & b_{1l}\\ b_{21}& b_{22}& \cdots & b_{2l}\\ ⋮& ⋮& \cdots & ⋮\\ b_{n1}& b_{n2}& \cdots & b_{nl}\end{array}\right)\in P^{n\times l}$，定义$\mathbf{A}$与$\mathbf{B}$的积运算$\circ$为：
$$\mathbf{C}=\mathbf{A}\circ \mathbf{B}={\left(\begin{array}{cccc}\sum _{k=1}^n{a}_{1k}{b}_{k1}& \sum _{k=1}^n{a}_{1k}{b}_{k2}& \cdots & \sum _{k=1}^n{a}_{1k}{b}_{kl}\\ \sum _{k=1}^n{a}_{2k}{b}_{k1}& \sum _{k=1}^n{a}_{2k}{b}_{k2}& \cdots & \sum _{k=1}^n{a}_{2k}{b}_{kl}\\ ⋮& ⋮& \cdots & ⋮\\ \sum _{k=1}^n{a}_{mk}{b}_{k1}& \sum _{k=1}^n{a}_{mk}{b}_{k2}& \cdots & \sum _{k=1}^n{a}_{mk}{b}_{kl}\end{array}\right)}_{m\times l}\in P^{m\times l}.$$
在不会产生混淆的情况下，常常省略运算符$\circ$，即将$\mathbf{A}\circ \mathbf{B}$简写成$\mathbf{A}\mathbf{B}$。
Python的乘法运算符“∗”不能用于矩阵的乘法——因为该运算符已经被用于numpy的array数组的按元素乘法计算了。numpy的matmul函数实现矩阵的乘法运算。

例1 分别就实数域ℝ上的矩阵
(1)$\mathbf{A}=\left(\begin{array}{cccc}4& -1& 2& 1\\ 1& 1& 0& 3\\ 0& 3& 1& 4\end{array}\right)$，$\mathbf{B}=\left(\begin{array}{cc}1& 2\\ 0& 1\\ 3& 0\\ -1& 4\end{array}\right)$，计算$\mathbf{A}\mathbf{B}$；
(2)$\mathbf{A}=\left(\begin{array}{cccc}2& 1& 4& 0\\ 1& -1& 3& 4\end{array}\right)$，$\mathbf{B}=\left(\begin{array}{cc}1& 3\\ 0& -1\\ 1& -3\\ 4& 0\end{array}\right)$，计算$\mathbf{A}\mathbf{B}$与$\mathbf{B}\mathbf{A}$；
(3)$\mathbf{A}=\left(\begin{array}{cc}-2& 4\\ 1& -2\end{array}\right)$，$\mathbf{B}=\left(\begin{array}{cc}2& 4\\ -3& 6\end{array}\right)$，计算$\mathbf{A}\mathbf{B}$与$\mathbf{B}\mathbf{A}$。
解：见下列代码

import numpy as np          #导入numpy
A=np.array([[4,-1,2,1],     #设置矩阵A
            [1,1,0,3],
            [0,3,1,4]])
B=np.array([[1,2],          #设置矩阵B
            [0,1],
            [3,0],
            [-1,4]])
print(np.matmul(A,B))       #计算积AB
A=np.array([[2,1,4,0],      #设置矩阵A
            [1,-1,3,4]])
B=np.array([[1,3],          #设置矩阵B
            [0,-1],
            [1,-3],
            [4,0]])
print(np.matmul(A,B))       #计算积AB
print(np.matmul(B,A))       #计算积BA
A=np.array([[-2,4],         #设置矩阵A
            [1,-2]])
B=np.array([[2,4],          #设置矩阵B
            [-3,6]])
print(np.matmul(A,B))       #计算积AB
print(np.matmul(B,A))       #计算积BA

程序中第2~9、第10~17和第18~23行分别计算(1)、(2)和(3)。仅以第10~17行的代码加以说明，其他的读者可参照自行研读。第10~11行和第12~15行分别设置矩阵$\mathbf{A}$和$\mathbf{B}$。第16行调用numpy的矩阵乘法计算函数
$$\text{matmul(A, B)}$$
计算矩阵的积$\mathbf{AB}$，并输出。第17行调用函数
$$\text{matmul(B, A)}$$
计算矩阵的积$\mathbf{BA}$。运行程序，输出：

[[ 9 11]
 [-2 15]
 [-1 19]]
[[ 6 -7]
 [20 -5]]
[[  5  -2  13  12]
 [ -1   1  -3  -4]
 [ -1   4  -5 -12]
 [  8   4  16   0]]
[[-16  16]
 [  8  -8]]
[[  0   0]
 [ 12 -24]]

由本例可见，矩阵的乘法不满足交换律。
例2 ℝ上矩阵$\mathbf{A}=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right)$，初等矩阵${\mathbf{E}}_1(1,2),{\mathbf{E}}_2(2(1/2)),{\mathbf{E}}_3(2(1/2),1)\in$ℝ${}^{3\times 3}$为第一、二、三种初等矩阵（见博文《生成初等矩阵》）。用${\mathbf{E}}_1(1,2),{\mathbf{E}}_2(2(1/2)),{\mathbf{E}}_3(2(1/2),1)$分别左乘、右乘$\mathbf{A}$。

import numpy as np
from fractions import Fraction as F
np.set_printoptions(formatter={'all':lambda x:
                               str(F(x).limit_denominator())})
A=np.array([[1,2,3],
            [4,5,6],
            [7,8,9]])
E1=np.eye(3)
P1(E1,0,1)
print(np.matmul(E1,A))
print(np.matmul(A,E1))
E2=np.eye(3)
P2(E2,1,1/2)
print(np.matmul(E2,A))
print(np.matmul(A,E2))
E3=np.eye(3)
P3(E3,1,0,1/2)
print(np.matmul(E3,A))
print(np.matmul(A,E3))

程序的第5~7行设置矩阵A。第8~11行、第12~15行和第16~19行分别用函数P1，P2，P3（见博文《生成初等矩阵》）设置初等矩阵E1，E2，E3。并分别左乘、右乘A。程序的第2~4行设置数组输出格式为有理数。运行程序，输出

[[4 5 6]
 [1 2 3]
 [7 8 9]]
[[2 1 3]
 [5 4 6]
 [8 7 9]]
[[1  2  3]
 [2 5/2 3]
 [7  8  9]]
[[1  1  3]
 [4 5/2 6]
 [7  4  9]]
[[3 9/2 6]
 [4  5  6]
 [7  8  9]]
[[1  5/2 3]
 [4   7  6]
 [7 23/2 9]]

由此可见，用初等矩阵左乘A，相当于对A作相应的行初等变换；右乘A，相当于对A作列初等变换。
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。