python numpy逆_NumPy 线性代数

NumPy 线性代数

NumPy 提供了线性代数函数库 linalg，该库包含了线性代数所需的所有功能，可以看看下面的说明：

函数

描述

dot

两个数组的点积，即元素对应相乘。

vdot

两个向量的点积

inner

两个数组的内积

matmul

两个数组的矩阵积

determinant

数组的行列式

solve

求解线性矩阵方程

inv

计算矩阵的乘法逆矩阵

numpy.dot()

numpy.dot() 对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和(数学上称之为内积)；对于二维数组，计算的是两个数组的矩阵乘积；对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和：

dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。

numpy.dot(a, b, out=None)

参数说明：

a : ndarray 数组

b : ndarray 数组

out : ndarray, 可选，用来保存dot()的计算结果

实例

importnumpy.matlibimportnumpyasnpa=np.array([[1,2],[3,4]])b=np.array([[11,12],[13,14]])print(np.dot(a,b))

输出结果为：

[[37 40]

[85 92]]

计算式为：[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]

numpy.vdot()

numpy.vdot() 函数是两个向量的点积。 如果第一个参数是复数，那么它的共轭复数会用于计算。 如果参数是多维数组，它会被展开。

实例

importnumpyasnpa=np.array([[1,2],[3,4]])b=np.array([[11,12],[13,14]])# vdot 将数组展开计算内积print(np.vdot(a,b))

输出结果为：

130

计算式为：1*11 + 2*12 + 3*13 + 4*14 = 130

numpy.inner()

numpy.inner() 函数返回一维数组的向量内积。对于更高的维度，它返回最后一个轴上的和的乘积。

实例

importnumpyasnpprint(np.inner(np.array([1,2,3]),np.array([0,1,0])))# 等价于 1*0+2*1+3*0

输出结果为：

2

多维数组实例

importnumpyasnpa=np.array([[1,2],[3,4]])print('数组 a：')print(a)b=np.array([[11,12],[13,14]])print('数组 b：')print(b)print('内积：')print(np.inner(a,b))

输出结果为：

数组 a：

[[1 2]

[3 4]]

数组 b：

[[11 12]

[13 14]]

内积：

[[35 41]

[81 95]]

数组 a：

[[1 2]

[3 4]]

数组 b：

[[11 12]

[13 14]]

内积：

[[35 41]

[81 95]]

内积计算式为：

1*11+2*12, 1*13+2*14

3*11+4*12, 3*13+4*14

numpy.matmul

numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积，但如果任一参数的维数大于2，则将其视为存在于最后两个索引的矩阵的栈，并进行相应广播。

另一方面，如果任一参数是一维数组，则通过在其维度上附加 1 来将其提升为矩阵，并在乘法之后被去除。

对于二维数组，它就是矩阵乘法：

实例

importnumpy.matlibimportnumpyasnpa=[[1,0],[0,1]]b=[[4,1],[2,2]]print(np.matmul(a,b))

输出结果为：

[[4 1]

[2 2]]

二维和一维运算：

实例

importnumpy.matlibimportnumpyasnpa=[[1,0],[0,1]]b=[1,2]print(np.matmul(a,b))print(np.matmul(b,a))

输出结果为：

[1 2]

[1 2]

维度大于二的数组 ：

实例

importnumpy.matlibimportnumpyasnpa=np.arange(8).reshape(2,2,2)b=np.arange(4).reshape(2,2)print(np.matmul(a,b))

输出结果为：

[[[ 2 3]

[ 6 11]]

[[10 19]

[14 27]]]

numpy.linalg.det()

numpy.linalg.det() 函数计算输入矩阵的行列式。

行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵，它是左上和右下元素的乘积与其他两个的乘积的差。

换句话说，对于矩阵[[a，b]，[c，d]]，行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。

实例

importnumpyasnpa=np.array([[1,2],[3,4]])print(np.linalg.det(a))

输出结果为：

-2.0

实例

importnumpyasnpb=np.array([[6,1,1],[4, -2,5],[2,8,7]])print(b)print(np.linalg.det(b))print(6*(-2*7-5*8)-1*(4*7-5*2)+1*(4*8- -2*2))

输出结果为：

[[ 6 1 1]

[ 4 -2 5]

[ 2 8 7]]

-306.0

-306

numpy.linalg.solve()

numpy.linalg.solve() 函数给出了矩阵形式的线性方程的解。

考虑以下线性方程：

x + y + z = 6

2y + 5z = -4

2x + 5y - z = 27

可以使用矩阵表示为：

如果矩阵成为A、X和B，方程变为：

AX = B

或

X = A^(-1)B

numpy.linalg.inv()

numpy.linalg.inv() 函数计算矩阵的乘法逆矩阵。

逆矩阵（inverse matrix）：设A是数域上的一个n阶矩阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E ，则我们称B是A的逆矩阵，而A则被称为可逆矩阵。注：E为单位矩阵。

实例

importnumpyasnpx=np.array([[1,2],[3,4]])y=np.linalg.inv(x)print(x)print(y)print(np.dot(x,y))

输出结果为：

[[1 2]

[3 4]]

[[-2. 1. ]

[ 1.5 -0.5]]

[[1.0000000e+00 0.0000000e+00]

[8.8817842e-16 1.0000000e+00]]

现在创建一个矩阵A的逆矩阵:

实例

importnumpyasnpa=np.array([[1,1,1],[0,2,5],[2,5,-1]])print('数组 a：')print(a)ainv=np.linalg.inv(a)print('a 的逆：')print(ainv)print('矩阵 b：')b=np.array([[6],[-4],[27]])print(b)print('计算：A^(-1)B：')x=np.linalg.solve(a,b)print(x)# 这就是线性方向 x = 5, y = 3, z = -2 的解

输出结果为：

数组 a：

[[ 1 1 1]

[ 0 2 5]

[ 2 5 -1]]

a 的逆：

[[ 1.28571429 -0.28571429 -0.14285714]

[-0.47619048 0.14285714 0.23809524]

[ 0.19047619 0.14285714 -0.0952381 ]]

矩阵 b：

[[ 6]

[-4]

[27]]

计算：A^(-1)B：

[[ 5.]

[ 3.]

[-2.]]

结果也可以使用以下函数获取：

x = np.dot(ainv,b)