NumPy 提供了线性代数函数库 linalg,该库包含了线性代数所需的所有功能,可以看看下面的说明:
-
dot 两个数组的点积,即元素对应相乘
-
vdot 两个向量的点积
-
inner 两个数组的内积
-
matmul 两个数组的矩阵积
-
determinant 数组的行列式
-
solve 求解线性矩阵方程
-
inv 计算矩阵的乘法逆矩阵
numpy.dot()
函数
对于两个一维的数组,计算的是这两个数组对应下标元素的乘积和(数学上称之为内积)
对于二维数组,计算的是两个数组的矩阵乘积
对于多维数组,它的通用计算公式如下,即结果数组中的每个元素都是:数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和: dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
numpy.dot(a, b, out=None)
参数说明:
-
a : ndarray 数组
-
b : ndarray 数组
-
out : ndarray, 可选,用来保存dot()的计算结果
计算式为:
[[1*11+2*13, 1*12+2*14], [3*11+4*13, 3*12+4*14]]
示例:
In [1]: import numpy.matlib
In [2]: import numpy as np
In [3]: x = np.array([[1,2],[3,4]])
In [4]: y = np.array([[11,12],[13,14]])
In [5]: np.dot(x, y)
Out[5]:
array([[37, 40],
[85, 92]])
numpy.vdot() 函数
是两个向量的点积。 如果第一个参数是复数,那么它的共轭复数会用于计算。 如果参数是多维数组,它会被展开
计算式为:
1*11 + 2*12 + 3*13 + 4*14 = 130
示例:
In [6]: np.vdot(x, y)
Out[6]: 130
numpy.inner()
函数
返回一维数组的向量内积。对于更高的维度,它返回最后一个轴上的和的乘积
内积计算式为:
1*11+2*12, 1*13+2*14
3*11+4*12, 3*13+4*14
示例:
In [1]: import numpy as np
In [2]: np.inner(np.array([1,2,3]), np.array([0,1,0]))
Out[2]: 2
In [3]: x = np.array([[1,2], [3,4]])
In [4]: x
Out[4]:
array([[1, 2],
[3, 4]])
In [5]: y = np.array([[11, 12], [13, 14]])
In [6]: y
Out[6]:
array([[11, 12],
[13, 14]])
In [7]: np.inner(x, y)
Out[7]:
array([[35, 41],
[81, 95]])
numpy.matmul()
函数
返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积,但如果任一参数的维数大于2,则将其视为存在于最后两个索引的矩阵的栈,并进行相应广播
另一方面,如果任一参数是一维数组,则通过在其维度上附加 1 来将其提升为矩阵,并在乘法之后被去除,对于二维数组,它就是矩阵乘法
In [1]: import numpy.matlib
In [2]: import numpy as np
In [3]: x = [[1,0],[0,1]]
In [4]: y = [[4,1],[2,2]]
In [5]: x
Out[5]: [[1, 0], [0, 1]]
In [6]: y
Out[6]: [[4, 1], [2, 2]]
In [7]: np.matmul(x, y)
Out[7]:
array([[4, 1],
[2, 2]])
二维和一维运算:
In [8]: x
Out[8]: [[1, 0], [0, 1]]
In [9]: y = [1, 2]
In [10]: y
Out[10]: [1, 2]
In [11]: np.matmul(x, y)
Out[11]: array([1, 2])
In [12]: np.matmul(y, x)
Out[12]: array([1, 2])
维度大于二的数组:
In [13]: x = np.arange(8).reshape(2,2,2)
In [14]: x
Out[14]:
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
In [15]: y = np.arange(4).reshape(2,2)
In [16]: y
Out[16]:
array([[0, 1],
[2, 3]])
In [17]: np.matmul(x, y)
Out[17]:
array([[[ 2, 3],
[ 6, 11]],
[[10, 19],
[14, 27]]])
numpy.linalg.det()
函数
计算输入矩阵的行列式
行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差
换句话说,对于矩阵[[a,b],[c,d]],行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合
In [1]: import numpy as np
In [2]: sum = np.array([[1,2], [3,4]])
In [3]: np.linalg.det(sum)
Out[3]: -2.0000000000000004
In [4]: sum = np.array([[6,1,1], [4, -2, 5], [2,8,7]])
In [5]: sum
Out[5]:
array([[ 6, 1, 1],
[ 4, -2, 5],
[ 2, 8, 7]])
In [6]: np.linalg.det(sum)
Out[6]: -306.0
In [7]: 6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2)
Out[7]: -306
numpy.linalg.solve() 函数
给出了矩阵形式的线性方程的解
考虑以下线性方程:
x + y + z = 6
2y + 5z = -4
2x + 5y - z = 27
如果矩阵成为A、X和B,方程变为:
AX = B
或
X = A^(-1)B
numpy.linalg.inv()
函数
计算矩阵的乘法逆矩阵
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
,则我们称B是A的逆矩阵,而A则被称为可逆矩阵,E为单位矩阵
In [1]: import numpy as np
In [2]: x = np.array([[1,2], [3,4]])
In [3]: y = np.linalg.inv(x)
In [4]: x
Out[4]:
array([[1, 2],
[3, 4]])
In [5]: y
Out[5]:
array([[-2. , 1. ],
[ 1.5, -0.5]])
In [6]: np.dot(x, y)
Out[6]:
array([[1.0000000e+00, 0.0000000e+00],
[8.8817842e-16, 1.0000000e+00]])
创建一个矩阵A的逆矩阵:
In [1]: import numpy as np
In [2]: a = np.array([[1,1,1],[0,2,5],[2,5,-1]])
In [3]: a
Out[3]:
array([[ 1, 1, 1],
[ 0, 2, 5],
[ 2, 5, -1]])
In [4]: ainv = np.linalg.inv(a)
In [5]: ainv
Out[5]:
array([[ 1.28571429, -0.28571429, -0.14285714],
[-0.47619048, 0.14285714, 0.23809524],
[ 0.19047619, 0.14285714, -0.0952381 ]])
In [6]: b = np.array([[6],[-4],[27]])
In [7]: b
Out[7]:
array([[ 6],
[-4],
[27]])
In [8]: x = np.linalg.solve(a, b)
In [9]: x
Out[9]:
array([[ 5.],
[ 3.],
[-2.]])
结果也可以使用 NumPy.dot
函数获取:
x = np.dot(ainv, b)