numpy入门4：线性代数

最新推荐文章于 2024-03-05 17:04:29 发布

学了又忘的海伦

最新推荐文章于 2024-03-05 17:04:29 发布

阅读量789

点赞数

文章标签： numpy

本文链接：https://blog.csdn.net/weixin_46462735/article/details/110304072

版权

本文详细介绍了numpy库在处理线性代数问题时的一些关键操作，包括矩阵乘积、特征值与特征向量、奇异值分解（SVD）、QR分解和Cholesky分解。还讲解了矩阵的范数、行列式、秩和迹的计算，以及如何求解线性方程组和计算逆矩阵。通过实例展示了numpy在这些领域的应用。

摘要由CSDN通过智能技术生成

矩阵和向量积

矩阵乘积

定义
内积

矩阵乘法相关知识

矩阵的本质就是线性方程式，两者是一一对应关系。
矩阵的最初目的，只是为线性方程组提供一个简写形式。
在这里插入图片描述
矩阵乘法证明
有三组未知数 x、y 和 t，其中 x 和 y 的关系如下。
有了这两组方程式，就可以求 y 和 t 的关系。从矩阵来看，很显然，只要把第二个矩阵代入第一个矩阵即可。
从方程式来看，也可以把第二个方程组代入第一个方程组。
上面的方程组可以整理成下面的形式。
在这里插入图片描述
2. 代码实现
计算两个矩阵的乘积，如果是一维数组则是它们的内积。

numpy.dot(a,b,[,out])

【例】

import numpy as np

x = np.array([[1, 2, 3], [3, 4, 5], [6, 7, 8]])
print(x)
y = np.array([[5, 4, 2], [1, 7, 9], [0, 4, 5]])
print(y)

z1 = np.dot(x,y)
z2 = np.dot(y,x)
print(z1)
print(z2)

矩阵特征值与特征向量

定义
如果把矩阵看作运动，对于运动而言：特征值就是运动的速度，特征向量就是运动的方向。
资料参考：矩阵特征值和特征向量
代码实现

import numpy as np
#创建对角矩阵
x = np.diag((1,2,3))
#计算特征值
y = np.linalg.eigvals(x)
print(y)
#计算特征值和特征向量
a,b = np.linalg.eig(x)
#a是特征值，b是特征向量
print(a)
print(b)

【例】判断对称阵是否为正定阵（特征值是否全部为正）

import numpy as np

A = np.arange(16).reshape(4, 4)
print(A)

#将方阵转换成对称阵
A = A+A.T
print(A)

B = np.linalg.eigvals(A)
print(B)

#判断是不是所有的特征值都大于0
if np.all(B>0):
	print('YES')
else: