Python数据分析--Numpy常用函数介绍(9)-- 与线性代数有关的模块linalg - PursuitingPe...
source link: https://www.cnblogs.com/codingchen/p/16364993.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
Python数据分析--Numpy常用函数介绍(9)-- 与线性代数有关的模块linalg
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。
一、计算逆矩阵
线性代数中，矩阵A与其逆矩阵A ^(-1)相乘后会得到一个单位矩阵I。该定义可以写为A *A ^(-1) =1。numpy.linalg 模块中的 inv 函数可以计算逆矩阵。
1) 用 mat 函数创建示例矩阵
import numpy as np
import matplotlib.pyplot as plt
A = np.mat("0 1 2;1 0 3;4 -3 8")
2)用 inv 函数计算逆矩阵
inverse = np.linalg.inv(A)
print("inverse of A\n", inverse)
运行结果如下：
A [[ 0 1 2] [ 1 0 3] [ 4 -3 8]] inverse of A [[-4.5 7. -1.5] [-2. 4. -1. ] [ 1.5 -2. 0.5]]
3）可能通过原矩阵和逆矩阵相乘的结果来验证
print ("Check\n", A * inverse) #验证计算，原矩阵和逆矩阵相乘的，单位矩阵
Check [[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]
二、求解线性方程组
线性议程组 Ax=b
1)分另创建矩阵A和数组b
A = np.mat("1 -2 1;0 2 -8;-4 5 9") #用mat()函数创建示例矩阵
print("A\n", A)
b = np.array([0, 8, -9])
2)用solve(A, b)解出x，用dot()函数进行验证，并打印
x = np.linalg.solve(A, b)
print("Solution", x)
print("Check\n", np.dot(A , x)) #用dot()函数检查求得的解是否正确
三、特征值和特征向量
特征值（eigenvalue）即方程 Ax = ax 的根，是一个标量，特征向量是关于特征值的向量。在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。
用 eigvals 函数求解特征值
用 eig 函数求解特征值和特征向量 ,如下代码：
print("Eigenvalues", np.linalg.eigvals(A))
eigenvalues, eigenvectors = np.linalg.eig(A)
print( "First tuple of eig", eigenvalues)
print(" Second tuple of eig\n", eigenvectors)
四、奇异值分解
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。奇异值分解是特征值分解一种推广。在 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（计算出来结果可能是虚数）。
U, Sigma, V = np.linalg.svd(A, full_matrices=False)# 用svd() 函数分解矩阵
print ("U:",U)
print ("Sigma:",Sigma)
print ("V:", V)
print ("Product\n", U * np.diag(Sigma) * V) #用diag函数生成完整的奇异值矩阵
pinv 函数进行求解，计算广义逆矩阵需要用到奇异值分解函数pinv()，行列式计算用np.linalg中的函数det()：
#使用pinv函数计算广义逆矩阵:
A = np.mat("4 11 14;8 7 -2")
pseudoinv = np.linalg.pinv(A)
print("Pseudo inverse:\n", pseudoinv)
#计算矩阵的行列式
print("\n")
B = np.mat("3 4;5 6")
print("Determinant:", np.linalg.det(B))
全部代码如下：
import numpy as np
import matplotlib.pyplot as plt
A = np.mat("0 1 2;1 0 3;4 -3 8") #用mat()函数创建示例矩阵
print ("A\n",A)
inverse = np.linalg.inv(A) #用inv()函数计算逆矩阵
print("inverse of A\n", inverse)
print ("Check\n", A * inverse) #验证计算，原矩阵和逆矩阵相乘的，单位矩阵
# 求解线性方程组
A = np.mat("1 -2 1;0 2 -8;-4 5 9") #用mat()函数创建示例矩阵
b = np.array([0, 8, -9])
x = np.linalg.solve(A, b)
print("Solution", x)
print("Check\n", np.dot(A , x)) #用dot()函数检查求得的解是否正确
#特征值和特征向量
print("Eigenvalues", np.linalg.eigvals(A)) #eigvals函数可以计算矩阵的特征值
eigenvalues, eigenvectors = np.linalg.eig(A) #用 eig 函数求解特征值和特征向量
print( "First tuple of eig", eigenvalues)
print(" Second tuple of eig\n", eigenvectors)
#奇异值分解
U, Sigma, V = np.linalg.svd(A, full_matrices=False)# 用svd() 函数分解矩阵
print ("U:",U)
print ("Sigma:",Sigma)
print ("V:", V)
print ("Product\n", U * np.diag(Sigma) * V) #用diag函数生成完整的奇异值矩阵
#使用pinv函数计算广义逆矩阵:
A = np.mat("4 11 14;8 7 -2")
pseudoinv = np.linalg.pinv(A)
print("Pseudo inverse:\n", pseudoinv)
#计算矩阵的行列式
print("\n")
B = np.mat("3 4;5 6")
print("Determinant:", np.linalg.det(B))
运行结果：
本篇介绍了一些numpy.linalg 模块中常用的函数，
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK