版權聲明:本文爲博主原創文章,未經博主允許不得轉載。 https://blog.csdn.net/a352611/article/details/49562463
目前已經看完了公開課的三分之一,線性代數中的常見概念也已經差不多全部介紹了一遍,那麼在實際應用中會藉助於計算機來實現,這裏將介紹如何在python中使用我們學到的知識。
NumPy系統是Python的一種開源的數值計算擴展。這種工具可用來存儲和處理大型矩陣,比Python自身的嵌套列表(nested list structure)結構要高效的多(該結構也可以用來表示矩陣(matrix))。據說NumPy將Python相當於變成一種免費的更強大的MatLab系統。
以上引自百度百科
numpy官網:http://www.numpy.org/
1.如何表示矩陣
矩陣A
import numpy as np
A = np.array([[1,2,3],[4,5,6],[7,8,9]])
B = np.matrix('1 2 3;4 5 6; 7 8 9')
2.矩陣乘法
對於ndarray或者matrix來說,其加法或者減法都是直接對每一個元素都進行計算,但是二者的乘法是不同的。
ndarray的乘法是對每一個元素相乘,而matrix的乘法是矩陣乘法
>>> A = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> A
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> A*A
array([[ 1, 4, 9],
[16, 25, 36],
[49, 64, 81]])
>>> B = np.matrix('1 2 3;4 5 6; 7 8 9')
>>> B
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> B*B
matrix([[ 30, 36, 42],
[ 66, 81, 96],
[102, 126, 150]])
但是實際應用中我們使用ndarray更多一些,那麼使用ndarray時要實現矩陣乘法就需要使用np.dot()函數:
>>> np.dot(A, A)
array([[ 30, 36, 42],
[ 66, 81, 96],
[102, 126, 150]])
3.矩陣的秩
np.rank()函數返回的不是矩陣的秩,而是dimension 維數!!!
np.rank()函數返回的不是矩陣的秩,而是dimension 維數!!!
np.rank()函數返回的不是矩陣的秩,而是dimension 維數!!!
要獲得矩陣的rank要使用np.linalg.matrix_rank()函數:
>>> np.rank(np.array([[[1], [2], [3]]]))
3
>>> np.rank(np.array([[[[1], [2], [3]]]]))
4
>>> A = np.array([[1,2,3],[4,5,6],[10,8,9]])
>>> A
array([[ 1, 2, 3],
[ 4, 5, 6],
[10, 8, 9]])
>>> np.rank(A)
2
>>> np.linalg.matrix_rank(A)
3
4.矩陣的轉置
轉置transpose:
>>> B
matrix([[ 1, 2, 3],
[ 4, 5, 6],
[10, 8, 9]])
>>> B.T
matrix([[ 1, 4, 10],
[ 2, 5, 8],
[ 3, 6, 9]])
>>> B.transpose()
matrix([[ 1, 4, 10],
[ 2, 5, 8],
[ 3, 6, 9]])
5.矩陣的逆
逆inverse:
>>> np.linalg.inv(A)
array([[ 2., -1.],
[-1., 1.]])