numpy3
线性代数
Numpy 定义了 matrix 类型,使用该 matrix 类型创建的是矩阵对象,它们的加减乘除运算缺省采用矩阵方式计算,因此用法和Matlab十分类似。但是由于 NumPy 中同时存在 ndarray 和 matrix 对象,因此用户很容易将两者弄混。这有违 Python 的“显式优于隐式”的原则,因此官方并不推荐在程序中使用 matrix。在这里,我们仍然用 ndarray 来介绍。
矩阵和向量积
矩阵的定义、矩阵的加法、矩阵的数乘、矩阵的转置与二维数组完全一致,不再进行说明,但矩阵的乘法有不同的表示。
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
有关奇异值分解的原理:奇异值分解(SVD)及其应用
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。
注: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) 计算向量或者矩阵的范数。
根据ord参数的不同,计算不同的范数:
image
image
692×312 23.8 KB
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(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(E 为单位矩阵),则我们称 B 是 A 的逆矩阵,而 A 则被称为可逆矩阵。
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。