Numpy组队学习（下）--4

矩阵和向量积

numpy.dot(a, b[, out])
// 计算两个矩阵的乘积，如果是一维数组则是它们的内积。

矩阵特征值与特征向量

numpy.linalg.eig(a) 
// 计算方阵的特征值和特征向量。
numpy.linalg.eigvals(a) 
// 计算方阵的特征值。

矩阵分解

奇异值分解

u, s, v = numpy.linalg.svd(a, full_matrices=True, compute_uv=True, hermitian=False)
// 奇异值分解

• 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 = usv。
• 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。
• Numpy中返回的v是通常所谓奇异值分解a=usv’中v的转置

QR分解

q,r = numpy.linalg.qr(a, mode='reduced')
// 计算矩阵a的QR分解。

• 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。

范数和其它数字

矩阵的范数

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False) 
// 

方阵的行列式

numpy.linalg.det(a) 
// 计算行列式。

矩阵的秩

numpy.linalg.matrix_rank(M, tol=None, hermitian=False) 
// 返回矩阵的秩。

矩阵的迹

numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None) 
// 方阵的迹就是主对角元素之和。

解方程和逆矩阵

逆矩阵

numpy.linalg.inv(a) 
// 计算矩阵a的逆矩阵（矩阵可逆的充要条件：det(a) != 0，或者a满秩）。

求解线性方程组

numpy.linalg.solve(a, b) 
// 求解线性方程组或矩阵方程。