2020-11-29

task 9 线性代数

矩阵运算

	函数	注释
矩阵乘法	numpy.dot()
特征值	numpy.linalg.eigvals()
特征向量	a,b = numpy.linalg.eig()	返回特征值和特征向量
奇异值分解（SVD）	u, s, v =numpy.linalg.svd(a,<br />full_matrices=True,<br />compute_uv=True,<br />hermitian=False)	- a 是一个形如(M,N)矩阵 - full_matrices的取值是为False或者True，默认值为True，这时u的大小为(M,M)，v的大小为(N,N)。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。 - compute_uv的取值是为False或者True，默认值为True，表示计算u,s,v。为False的时候只计算s。 总共有三个返回值u,s,v，u大小为(M,M)，s大小为(M,N)，v大小为(N,N)，a = u*s*v。 其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。
QR分解	q,r = numpy.linalg.qr(a, mode='reduced')	- a是一个(M, N)的待分解矩阵。 - mode = reduced：返回(M, N)的列向量两两正交的矩阵q，和(N, N)的三角阵r（Reduced QR分解）。 - mode = complete：返回(M, M)的正交矩阵q，和(M, N)的三角阵r（Full QR分解）
Cholesky分解	L = numpy.linalg.cholesky(a)	返回正定矩阵a的 Cholesky 分解a = L*L.T，其中L是下三角
范数	numpy.linalg.norm(x, ord=None, axis=None, keepdims=False)	根据ord参数的不同，计算不同的范数
行列式	numpy.linalg.det(a)
秩	numpy.linalg.matrix_rank(M, tol=None, hermitian=False)
迹	numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None)
逆	numpy.linalg.inv(a)
求解线性方程组	numpy.linalg.solve(a, b)