numpy linalg 模块

# 线性代数
# numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。

import numpy as np
A = np.mat("0 1 2;1 0 3;4 -3 8")
print (A)

1. 计算逆矩阵(注：矩阵必须是方阵且可逆)

#创建矩阵
A = np.mat("0 1 2;1 0 3;4 -3 8")
#A=vec1=array([[0,1,2],[1,0,3],[4,-3,8])
print (A)
#[[ 0 1 2]
# [ 1 0 3]
# [ 4 -3 8]]

 使用inv函数计算逆矩阵

inv = np.linalg.inv(A)
print (inv)
#[[-4.5 7. -1.5]
# [-2. 4. -1. ]
# [ 1.5 -2. 0.5]]

2. 求解线性方程组

numpy.linalg中的函数solve可以求解形如 Ax = b 的线性方程组，其中 A 为矩阵，b 为一维或二维的数组，x 是未知变量

import numpy as np

#创建矩阵和数组
B = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0,8,-9])

# 调用solve函数求解线性方程
x = np.linalg.solve(B,b)
print (x)
#[ 29. 16. 3.]
# 使用dot函数检查求得的解是否正确(np中矩阵的乘法)
print (np.dot(B , x))
# [[ 0. 8. -9.]]

3. 特征值（eigenvalue）和特征向量（eigenvector）

应用：1）A与B的特征值是否相同是判断A与B是否相似的根本依据

2）判断矩阵可对角化的充要条件

 设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是A的一个特征值

非零n维列向量x称为矩阵A的特征向量

numpy.linalg模块中，eigvals函数可以计算矩阵的特征值，而eig函数可以返回一个包含特征值和对应的特征向量的元组

import numpy as np

# 创建一个矩阵
C = np.mat("3 -2;1 0")

# 调用eigvals函数求解特征值
c0 = np.linalg.eigvals(C)
print (c0)
# [ 2. 1.]
# 使用eig函数求解特征值和特征向量 (该函数将返回一个元组，按列排放着特征值和对应的特征向量，其中第一列为特征值，第二列为特征向量)
c1,c2 = np.linalg.eig(C)
print (c1)
# [ 2. 1.] 
print (c2)
#[[ 0.89442719 0.70710678]
# [ 0.4472136 0.70710678]]

参考自 https://www.cnblogs.com/xieshengsen/p/6836430.html