Numpy重要模块——linalg线性代数详细参数及演示
numpy——linalg线性代数实验目的熟练掌握linalg中常用函数实验原理numpy.linalg模块包含线性代数的函数。使用这个模块,可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。NumPy.linalg函数和属性:实验环境Python 3.6.1Jupyter实验内容练习numpy的linalg模块中常用函数的使用。常用函数及说明:代码部分import numpy as np1
numpy——linalg线性代数
实验目的
熟练掌握linalg中常用函数
实验原理
numpy.linalg模块包含线性代数的函数。使用这个模块,可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。
NumPy.linalg函数和属性:
实验环境
Python 3.6.1
Jupyter
实验内容
练习numpy的linalg模块中常用函数的使用。
常用函数及说明:
代码部分
import numpy as np
1.计算逆矩阵
1)创建矩阵
A=np.mat("0 1 2;1 0 3;4 -3 8")
A
matrix([[ 0, 1, 2],
[ 1, 0, 3],
[ 4, -3, 8]])
2)使用inv函数计算A逆矩阵
inv = np.linalg.inv(A)
inv
matrix([[-4.5, 7. , -1.5],
[-2. , 4. , -1. ],
[ 1.5, -2. , 0.5]])
3)检查原矩阵与求得的逆矩阵相乘的结果为单位矩阵( 注:矩阵必须是方阵且可逆,否则会抛出LinAlgError异常。)
A*inv
matrix([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
2.求解线性方程组
numpy.linalg中的函数solve可以求解形如 Ax = b 的线性方程组,其中 A 为矩阵,b 为一维或二维的数组,x 是未知变量。
1)创建矩阵B和数组b
B = np.mat("1 -2 1;0 2 -8;-4 5 9")
B
matrix([[ 1, -2, 1], [ 0, 2, -8], [-4, 5, 9]])
b = np.array([0,8,-9]) b
array([ 0, 8, -9])
2)调用solve函数求解线性方程
x = np.linalg.solve(B,b) x
array([29., 16., 3.])
3)使用dot函数检查求得的解是否正确
np.dot(B,x)
matrix([[ 0., 8., -9.]])
3.特征值和特征向量
特征值(eigenvalue)即方程 Ax = ax 的根,是一个标量。其中,A 是一个二维矩阵,x 是一个一维向量。特征向量(eigenvector)是关于特征值的向量
numpy.linalg模块中,eigvals函数可以计算矩阵的特征值,而eig函数可以返回一个包含特征值和对应的特征向量的元组
1)创建一个矩阵
C = np.mat("3 -2;1 0")C
matrix([[ 3, -2], [ 1, 0]])
2)调用eigvals函数求解特征值
c0 = np.linalg.eigvals(C)c0
array([2., 1.])
3)使用eig函数求解特征值和特征向量 (该函数将返回一个元组,按列排放特征值和对应的特征向量,其中第一列为特征值,第二列为特征向量)
c1,c2 = np.linalg.eig(C)c1
array([2., 1.])
c2
matrix([[0.89442719, 0.70710678], [0.4472136 , 0.70710678]])
4)使用dot函数验证求得的解是否正确
for i in range(len(c1)): print("left:",np.dot(C,c2[:,i])) print("right:",c1[i]*c2[:,i])
left: [[1.78885438] [0.89442719]]right: [[1.78885438] [0.89442719]]left: [[0.70710678] [0.70710678]]right: [[0.70710678] [0.70710678]]
4.奇异值分解
SVD(Singular Value Decomposition,奇异值分解)是一种因子分解运算,将一个矩阵分解为3个矩阵的乘积
numpy.linalg模块中的svd函数可以对矩阵进行奇异值分解。该函数返回3个矩阵——U、Sigma和V,其中U和V是正交矩阵,Sigma包含输入矩阵的奇异值。
1)创建一个矩阵
D = np.mat("4 11 14;8 7 -2")D
matrix([[ 4, 11, 14], [ 8, 7, -2]])
2)使用svd函数分解矩阵
U,Sigma,V = np.linalg.svd(D,full_matrices=False) print ("U:",U) print ("Sigma:",Sigma) print ("V",V)
U: [[ 0.9486833 -0.31622777] [ 0.31622777 0.9486833 ]]Sigma: [18.97366596 9.48683298]V [[ 0.33333333 0.66666667 0.66666667] [ 0.66666667 0.33333333 -0.66666667]]
注:(上述)结果包含等式中左右两端的两个正交矩阵U和V,以及中间的奇异值矩阵Sigma
3)使用diag函数生成完整的奇异值矩阵。将分解出的3个矩阵相乘
print (U * np.diag(Sigma) * V)
[[ 4. 11. 14.] [ 8. 7. -2.]]
5.广义逆矩阵
使用numpy.linalg模块中的pinv函数进行求解广义逆矩阵,inv函数只接受方阵作为输入矩阵,而pinv函数则没有这个限制
1)创建一个矩阵
E = np.mat("4 11 14;8 7 -2") E
matrix([[ 4, 11, 14], [ 8, 7, -2]])
2) 使用pinv函数计算广义逆矩阵
pseudoinv = np.linalg.pinv(E) print (pseudoinv)
[[-0.00555556 0.07222222] [ 0.02222222 0.04444444] [ 0.05555556 -0.05555556]]
3) 将原矩阵和得到的广义逆矩阵相乘
print (E * pseudoinv)
[[ 1.00000000e+00 -4.44089210e-16] [-1.66533454e-16 1.00000000e+00]]
6.行列式
numpy.linalg模块中的det函数可以计算矩阵的行列式
1) 创建一个矩阵
F = np.mat("3 4;5 6") F
matrix([[3, 4], [5, 6]])
2) 使用det函数计算矩阵的行列式
print (np.linalg.det(F))
-2.0000000000000004
更多推荐
所有评论(0)