numpy小组学习笔记三：线性方程

线性代数

1、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。
注意：在线性代数里面讲的维数和数组的维数不同，如线代中提到的n维行向量在 Numpy 中是一维数组，而线性代数中的n维列向量在 Numpy 中是一个shape为(n, 1)的二维数组。
2、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。
3、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。
5、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）
6、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。
7、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：

8、numpy.linalg.det(a) 计算行列式。
9、numpy.linalg.matrix_rank(M, tol=None, hermitian=False) 返回矩阵的秩。
10、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
11、numpy.linalh.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）。
12、
numpy.linalg.solve(a,b)求解线性方程组或矩阵方程

参考：https://github.com/datawhalechina/team-learning-program/blob/master/IntroductionToNumpy/task09%20%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/13.%20%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0…ipynb