Numpy中的linalg模块

转载自 https://www.cnblogs.com/WSX1994/articles/9061516.html

线性代数

# numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。

import numpy as np

import numpy.linalg as lg

1. 计算逆矩阵

创建矩阵：

A = np.array([[0, 1, 2], [1, 0, 3], [4, -3, 8]])
print(arr)

结果：

[[ 0  1  2]
 [ 1  0  3]
 [ 4 -3  8]]

使用inv函数计算逆矩阵

inv = lg.inv(A)
print(inv)

结果：

[[-4.5  7.  -1.5]
 [-2.   4.  -1. ]
 [ 1.5 -2.   0.5]]

 

检查原矩阵和求得的逆矩阵相乘的结果为单位矩阵

print(np.dot(A, inv))

结果：

[[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]

 

# 注：矩阵必须是方阵且可逆，否则会抛出LinAlgError异常。

2. 求解线性方程组

# numpy.linalg中的函数solve可以求解形如 Ax = b 的线性方程组，其中 A 为矩阵，b 为一维或二维的数组，x 是未知变量

调用solve函数求解线性方程

具体看我前一篇blog：https://blog.csdn.net/weixin_39012401/article/details/86741642

 3. 特征值和特征向量

# 特征值（eigenvalue）即方程 Ax = ax 的根，是一个标量。其中，A 是一个二维矩阵，x 是一个一维向量。特征向量（eigenvector）是关于特征值的向量
# numpy.linalg模块中，eigvals函数可以计算矩阵的特征值，而eig函数可以返回一个包含特征值和对应的特征向量的元组

C = np.array([[3, -2], [1, 0]])
c0 = lg.eigvals(C)
print("C的特征值是：\n", c0)

结果：

C的特征值是：
 [ 2.  1.]

# 使用eig函数求解特征值和特征向量 (该函数将返回一个元组，按列排放着特征值和对应的特征向量，其中第一列为特征值，第二列为特征向量)

c1, c2 = lg.eig(C)
print("C的特征值：\n", c1)
print("C的特征向量：\n", c2)

结果：

C的特征值：
 [ 2.  1.]
C的特征向量：
 [[ 0.89442719  0.70710678]
 [ 0.4472136   0.70710678]]

 

 4.奇异值分解

# SVD（Singular Value Decomposition，奇异值分解）是一种因子分解运算，将一个矩阵分解为3个矩阵的乘积
# numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解。该函数返回3个矩阵——U、Sigma和V，其中U和V是正交矩阵，Sigma包含输入矩阵的奇异值。

import numpy as np

# 分解矩阵
D = np.mat("4 11 14;8 7 -2")
# 使用svd函数分解矩阵
U,Sigma,V = np.linalg.svd(D,full_matrices=False)
print ("U:",U)
#U: [[-0.9486833 -0.31622777]
# [-0.31622777 0.9486833 ]]
print ("Sigma:",Sigma)
#Sigma: [ 18.97366596 9.48683298]
print ("V",V)
#V [[-0.33333333 -0.66666667 -0.66666667]
# [ 0.66666667 0.33333333 -0.66666667]]
# 结果包含等式中左右两端的两个正交矩阵U和V，以及中间的奇异值矩阵Sigma

# 使用diag函数生成完整的奇异值矩阵。将分解出的3个矩阵相乘.

#diag函数：将一个方阵的对角（或非对角）元素作为一维数组返回，或者将一维数组转换成一个方阵，并且在非对角线上有零点。
print (U * np.diag(Sigma) * V)
#[[ 4. 11. 14.]
# [ 8. 7. -2.]]

 

 5. 广义逆矩阵

# 使用numpy.linalg模块中的pinv函数进行求解,
# 注：inv函数只接受方阵作为输入矩阵，而pinv函数则没有这个限制

# 创建一个矩阵
# 使用pinv函数计算广义逆矩阵

C = np.array([[4, 11, 14], [8, 7, -2]])
c1 = lg.pinv(C)
print("C的伪逆矩阵：\n", c1)

#[[-0.00555556 0.07222222]
# [ 0.02222222 0.04444444]
# [ 0.05555556 -0.05555556]]

 

6. 行列式

# numpy.linalg模块中的det函数可以计算矩阵的行列式

# 计算矩阵的行列式
# 使用det函数计算行列式

C = np.array([[3, 4], [5, 6]])
c1 = lg.det(C)
print("C的行列式：\n", c1)

结果：

C的行列式：
 -2.0