169 lines
3.7 KiB
Markdown
169 lines
3.7 KiB
Markdown
# NumPy 线性代数函数要知道！
|
|
|
|
> 原文：<https://www.askpython.com/python/numpy-linear-algebraic-functions>
|
|
|
|
读者朋友们，你们好！在本文中，我们将关注 Python 中的 **NumPy 线性代数函数**。所以，让我们开始吧！🙂
|
|
|
|
NumPy 模块为我们提供了各种处理和操作数据的功能。它使我们能够在数组数据结构中创建和存储数据。接下来，它为我们提供了各种函数来分析和操作数据值。
|
|
|
|
## NumPy 线性代数函数列表
|
|
|
|
### 1。NumPy 模块提供的矩阵函数
|
|
|
|
通过 NumPy 模块，我们可以在[数组结构](https://www.askpython.com/python/array/python-array-declaration)上执行线性代数矩阵函数。
|
|
|
|
在本主题课程中，我们将了解以下功能
|
|
|
|
1. **矩阵的秩**:我们可以使用 numpy.linalg.matrix_rank()函数计算数组的秩。
|
|
2. **行列式**:numpy . linalg . det()函数帮助我们把数组当作一个矩阵来计算它的行列式。
|
|
3. **求逆**:inv()函数使我们能够计算数组的逆。
|
|
4. **指数**:使用 numpy.linalg.matrix_power()函数，我们可以对矩阵取幂值，并获取结果。
|
|
|
|
**举例:**
|
|
|
|
在下面的例子中，我们使用 numpy.array()函数创建了一个数组。此外，我们对阵列执行了上述线性代数运算，并打印了结果。
|
|
|
|
```py
|
|
import numpy
|
|
|
|
x = numpy.array([ [2, 8, 7],
|
|
[6, 1, 1],
|
|
[4, -2, 5]])
|
|
|
|
print("Rank: ", numpy.linalg.matrix_rank(x))
|
|
det_mat = numpy.linalg.det(x)
|
|
print("\nDeterminant: ",det_mat)
|
|
inv_mat = numpy.linalg.inv(x)
|
|
print("\nInverse: ",inv_mat)
|
|
print("\nMatrix raised to power y:\n",
|
|
numpy.linalg.matrix_power(x, 8))
|
|
|
|
```
|
|
|
|
**输出:**
|
|
|
|
```py
|
|
Rank: 3
|
|
|
|
Determinant: -306.0
|
|
|
|
Inverse: [[-0.02287582 0.17647059 -0.00326797]
|
|
[ 0.08496732 0.05882353 -0.13071895]
|
|
[ 0.05228758 -0.11764706 0.1503268 ]]
|
|
|
|
Matrix raised to power y:
|
|
[[ 85469036 43167250 109762515]
|
|
[ 54010090 32700701 75149010]
|
|
[ 37996120 22779200 52792281]]
|
|
|
|
```
|
|
|
|
* * *
|
|
|
|
### 2。数字阵列特征值
|
|
|
|
NumPy 线性代数函数有 linalg 类，它有 **eigh()函数**来计算传递给它的数组元素的特征值。
|
|
|
|
看看下面的语法！
|
|
|
|
**语法:**
|
|
|
|
```py
|
|
numpy.linalg.eigh(array)
|
|
|
|
```
|
|
|
|
eigh()函数返回一个复矩阵或实对称矩阵的特征值和特征向量。
|
|
|
|
**举例:**
|
|
|
|
```py
|
|
from numpy import linalg as li
|
|
|
|
x = numpy.array([[2, -4j], [-2j, 4]])
|
|
|
|
res = li.eigh(x)
|
|
|
|
print("Eigen value:", res)
|
|
|
|
```
|
|
|
|
**输出:**
|
|
|
|
```py
|
|
Eigen value: (array([0.76393202, 5.23606798]), array([[-0.85065081+0.j , 0.52573111+0.j ],
|
|
[ 0\. -0.52573111j, 0\. -0.85065081j]]))
|
|
|
|
```
|
|
|
|
* * *
|
|
|
|
### 3。点积
|
|
|
|
使用 NumPy 线性代数函数，我们可以对标量值和多维值执行点运算。它对一维向量值执行标量乘法。
|
|
|
|
对于多维数组/矩阵，它对数据值执行矩阵乘法。
|
|
|
|
**语法:**
|
|
|
|
```py
|
|
numpy.dot()
|
|
|
|
```
|
|
|
|
**举例:**
|
|
|
|
```py
|
|
import numpy as np
|
|
|
|
sc_dot = np.dot(10,2)
|
|
print("Dot Product: ", sc_dot)
|
|
|
|
vectr_x = 1 + 2j
|
|
vectr_y = 2 + 4j
|
|
|
|
vctr_dot = np.dot(vectr_x, vectr_y)
|
|
print("Dot Product: ", vctr_dot)
|
|
|
|
```
|
|
|
|
**输出:**
|
|
|
|
```py
|
|
Dot Product: 20
|
|
Dot Product: (-6+8j)
|
|
|
|
```
|
|
|
|
* * *
|
|
|
|
### 4。用 NumPy 模块解线性方程组
|
|
|
|
有了 NumPy 线性代数函数，我们甚至可以执行计算和求解线性代数标量方程。 **numpy.linalg.solve()函数**用公式 ax=b 求解数组值。
|
|
|
|
**举例:**
|
|
|
|
```py
|
|
import numpy as np
|
|
|
|
x = np.array([[2, 4], [6, 8]])
|
|
|
|
y = np.array([2, 2])
|
|
|
|
print(("Solution of linear equations:",
|
|
np.linalg.solve(x, y)))
|
|
|
|
```
|
|
|
|
**输出:**
|
|
|
|
```py
|
|
('Solution of linear equations:', array([-1., 1.]))
|
|
|
|
```
|
|
|
|
* * *
|
|
|
|
## 结论
|
|
|
|
如果你遇到任何问题，欢迎在下面评论。更多关于 Python 编程的文章，请继续关注我们。在那之前，学习愉快！！🙂 |