Python矩阵运算
文章目录
在Jupyter中写下你的Python矩阵基本运算的学习记录。按照附件1提供的参考资料,把七个实验完整地实践练习一遍。
Python矩阵基本运算
1、导入numpy数据包,使用mat函数创建一个2x3矩阵
import numpy as np
a = np.mat([[1,2,3],[4,5,6]])
a
matrix([[1, 2, 3],
[4, 5, 6]])
2、使用shape可以获取矩阵的大小
a.shape
(2, 3)
3、使用下标读取矩阵中的元素
a.T
matrix([[1, 4],
[2, 5],
[3, 6]])
4、进行行列转换:
a.transpose()
matrix([[1, 4],
[2, 5],
[3, 6]])
a.T
matrix([[1, 4],
[2, 5],
[3, 6]])
5、实际上官方文档建议我们使用二维数组代替矩阵来进行矩阵运算;因为二维数组用得较多,而且基本可取代矩阵。比如:可见矩阵和数组基本上都可以
b = np.array([[1,2,3],[4,5,6]])
b
array([[1, 2, 3],
[4, 5, 6]])
b.T
array([[1, 4],
[2, 5],
[3, 6]])
a + a
matrix([[ 2, 4, 6],
[ 8, 10, 12]])
b + b
array([[ 2, 4, 6],
[ 8, 10, 12]])
c = [[1,2,3],[4,5,6]]
c + c
[[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]
Python矩阵乘法
- 使用二维数组创建两个矩阵A和B
import numpy as np
A = np.array([[1,2,3],[4,5,6]])
B = np.array([[1,4],[2,5],[3,6]])
- 先来一个矩阵的数乘,其实见识矩阵的每一个元素乘以该数
2*A
array([[ 2, 4, 6],
[ 8, 10, 12]])
2*B
array([[ 2, 8],
[ 4, 10],
[ 6, 12]])
- dot函数用于矩阵乘法,对于二维数组,它计算的是矩阵乘积,对于一维数组,它计算的是内积。注意交换矩阵的前后位置会导致不同的结果,看下面的例子
A*B
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-23-47896efed660> in <module>
----> 1 A*B
ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
np.dot(A,B)
array([[14, 32],
[32, 77]])
np.dot(B,A)
array([[17, 22, 27],
[22, 29, 36],
[27, 36, 45]])
- 再创建一个二维数组
C = np.array([[1,2],[1,3]])
- 我们验证一个矩阵乘法的结合性 (AB)C=A(BC)
np.dot(np.dot(A,B),C)
array([[ 46, 124],
[109, 295]])
np.dot(A,np.dot(B,C))
array([[ 46, 124],
[109, 295]])
- 接着看一下对加法的分配性 (A+B)C=AC+BC,C(A+B)=CA+CB
D = B - 1
print(D)
[[0 3]
[1 4]
[2 5]]
np.dot(A,B+D)
array([[ 22, 58],
[ 49, 139]])
np.dot(A,B)+np.dot(A,D)
array([[ 22, 58],
[ 49, 139]])
- 数乘的结合性,也一样啦:
2*(np.dot(A,B))
array([[ 28, 64],
[ 64, 154]])
np.dot(A,2*B)
array([[ 28, 64],
[ 64, 154]])
np.dot(2*A,B)
array([[ 28, 64],
[ 64, 154]])
np.dot(A,2*B)
array([[ 28, 64],
[ 64, 154]])
- 接着我们用到一个新知识,使用eye创建一个单位矩阵,单位矩阵的定义就是看下面的步骤
I=np.eye(3)
print(I)
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
- 我们看一下,一个矩阵A乘以一个单位矩阵,还是它本身
np.dot(A,I)
array([[1., 2., 3.],
[4., 5., 6.]])
python矩阵转置
- 先创建一个矩阵A
A = np.array([[1,2,3],[4,5,6]])
- 我们使用属性T来得到矩阵A的转置矩阵
A.T
array([[1, 4],
[2, 5],
[3, 6]])
-
我们验证第一个性质
-
(A’)’=A
A.T.T
array([[1, 2, 3],
[4, 5, 6]])
- 再创建两个尺寸相同的矩阵
B = np.array([[1,4],[2,5],[3,6]])
D = np.array([[0,3],[1,4],[2,5]])
- 验证矩阵转置的第二个性质:(A±B)’=A’±B’
(B+D).T
array([[ 1, 3, 5],
[ 7, 9, 11]])
B.T+D.T
array([[ 1, 3, 5],
[ 7, 9, 11]])
- 验证矩阵转置的第三个性质:(KA)’=KA’
10*A.T
array([[10, 40],
[20, 50],
[30, 60]])
(10+A).T
array([[11, 14],
[12, 15],
[13, 16]])
- 验证矩阵转置的第四个性质:(A×B)’= B’×A’
np.dot(A,B).T
array([[14, 32],
[32, 77]])
np.dot(A.T,B.T)
array([[17, 22, 27],
[22, 29, 36],
[27, 36, 45]])
np.dot(B.T,A.T)
array([[14, 32],
[32, 77]])
python求方阵的迹
- 先引入numpy
- 创建一个方阵(方阵也就是行数等于列数的矩阵)
E = np.array([[1,2,3],[4,5,6],[7,8,9]])
- 用trace计算方阵的迹
np.trace(E)
15
- 再创建一个方阵F
F =E-2
print(F)
[[-1 0 1]
[ 2 3 4]
[ 5 6 7]]
- 验证一下方阵的迹等于方阵的转置的迹
np.trace(E)
15
np.trace(E.T)
15
- 验证一下方阵的乘积的迹等于
np.trace(np.dot(E,F))
171
np.trace(np.dot(F,E))
171
- 验证一下方阵的和的迹等于方阵的迹的和
np.trace(E+F)
24
np.trace(E)+np.trace(F)
24
python方阵的行列式计算方法
-
行列式的算法:这是二阶方阵行列式
-
行列式的算法:这是三阶行列式
-
先引入numpy模块
-
创建两个方阵
E = np.array([[1,2,3],[4,5,6],[7,8,9]])
F = np.array([[-1,0,1],[2,3,4],[5,6,7]])
- 使用det方法求得方阵E和方阵F的行列式
np.linalg.det(E)
-9.51619735392994e-16
np.linalg.det(F)
1.0658141036401459e-15
C = np.array([[1,2],[1,3]])
np.linalg.det(C)
1.0
python求逆矩阵/伴随矩阵
-
先来求一下矩阵的逆,先引入numpy
-
然后创建一个方阵
A = np.array([[1,-2,1],[0,2,-1],[1,1,-2]])
- 使用linalg.det求得方阵的行列式
A_abs = np.linalg.det(A)
print(A_abs)
-2.9999999999999996
- 使用linalg.inv求得方阵A的逆矩阵
B = np.linalg.inv(A)
print(B)
[[ 1.00000000e+00 1.00000000e+00 -1.11022302e-16]
[ 3.33333333e-01 1.00000000e+00 -3.33333333e-01]
[ 6.66666667e-01 1.00000000e+00 -6.66666667e-01]]
- 接着我们利用公式:
numpy的计算方法:
A_bansui = B * A_abs
print(A)
[[ 1 -2 1]
[ 0 2 -1]
[ 1 1 -2]]
python解多元一次方程
-
首先看一下我们要解的方程,将这个方程格式调整好,按照x-y-z-常数项的顺序排列
{x+2y+z=7
2x-y+3z=7
3x+y+2z=18}组 -
将未知数的系数写下来,排列成一个矩阵a,如下
a = [[1,2,1],[2,-1,3],[3,1,2]]
a = np.array(a)
print(a)
[[ 1 2 1]
[ 2 -1 3]
[ 3 1 2]]
- 常数项构成一个一维数组(向量)
b = [7,7,18]
b = np.array(b)
print(b)
[ 7 7 18]
- 使用linalg.solve方法解方程,参数a指的是系数矩阵,参数b指的是常数项矩阵:
x = np.linalg.solve(a,b)
print(x)
[ 7. 1. -2.]
- 我们得到的解对不对呢?使用点乘的方法可以验证一下,系数乘以未知数可以得到常数项。
np.dot(a,x)
array([ 7., 7., 18.])