numpy线性代数

numpy线性代数

import numpy as np

#构造矩阵
mat = np.mat((np.arange(9)+1).reshape(3,3))
print(mat)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

1.求逆

• 使用矩阵求逆，I
• 使用线性代数, inv

print(mat.I)

[[ 3.15251974e+15 -6.30503948e+15  3.15251974e+15]
 [-6.30503948e+15  1.26100790e+16 -6.30503948e+15]
 [ 3.15251974e+15 -6.30503948e+15  3.15251974e+15]]

print(np.linalg.inv(mat))

[[ 3.15251974e+15 -6.30503948e+15  3.15251974e+15]
 [-6.30503948e+15  1.26100790e+16 -6.30503948e+15]
 [ 3.15251974e+15 -6.30503948e+15  3.15251974e+15]]

2.求解线性方程组

• solve函数

A = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0, 8, -9])
print(A)
print(b)

[[ 1 -2  1]
 [ 0  2 -8]
 [-4  5  9]]
[ 0  8 -9]

x = np.linalg.solve(A,b)
print(x)

[29. 16.  3.]

3.特征值和特征向量

• eigvals函数求解特征值
• eig函数求解特征值和特征向量
• 使用dot函数验证求得的解是否正确。分别计算等式 Ax = ax 的左半部分和右半部分，
  检查是否相等。（点乘）

ev = np.linalg.eigvals(mat)
print(ev)

[ 1.61168440e+01 -1.11684397e+00 -9.75918483e-16]

e = np.linalg.eig(mat)
print(e)

(array([ 1.61168440e+01, -1.11684397e+00, -9.75918483e-16]), matrix([[-0.23197069, -0.78583024,  0.40824829],
        [-0.52532209, -0.08675134, -0.81649658],
        [-0.8186735 ,  0.61232756,  0.40824829]]))

4.矩阵分解SVD

• svd

U, sigma, V = np.linalg.svd(mat)
print(U)
print(sigma)
print(V)

[[-0.21483724  0.88723069  0.40824829]
 [-0.52058739  0.24964395 -0.81649658]
 [-0.82633754 -0.38794278  0.40824829]]
[1.68481034e+01 1.06836951e+00 3.33475287e-16]
[[-0.47967118 -0.57236779 -0.66506441]
 [-0.77669099 -0.07568647  0.62531805]
 [-0.40824829  0.81649658 -0.40824829]]

5.广义逆

• 以使用numpy.linalg模块中的pinv函数进行求解

6.行列式

• numpy.linalg模块中的det函数可以计算矩阵的行列式