线性代数

矩阵和向量积

  • numpy.dot(a, b[, out])计算两个矩阵的乘积，如果是一维数组则是它们的内积

特征值和特征向量




python Operator计算矩阵特征值和特征向量 numpy计算特征值_特征向量


  • numpy.linalg.eig(a) 计算方阵的特征值和特征向量。
  • numpy.linalg.eigvals(a) 计算方阵的特征值。
  • 例: 求方阵的特征值和特征向量
import numpy as np
# 创建一个对角矩阵！
x = np.diag((1, 2, 3))  
print(x)
print(np.linalg.eigvals(x))
a, b = np.linalg.eig(x)  
# 特征值保存在a中，特征向量保存在b中
print(a)
print(b)
# 检验特征值与特征向量是否正确
for i in range(3): 
    if np.allclose(a[i] * b[:, i], np.dot(x, b[:, i])):
        print('Right')
    else:
        print('Error')

[[1 0 0]
 [0 2 0]
 [0 0 3]]
[1. 2. 3.]
[1. 2. 3.]
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
Right
Right
Right


矩阵分解

奇异值分解

  • svd的原理类似于主成分分析，但是主成分分析只能针对方阵，而svd可以针对所有矩阵进行
  • 过滤了一些噪声，加快运算
  • 我这里不详细 怎么计算的，我讲一下大概u是 的特征向量，v是 的特征向量， 是特征值的排序后开根号
  • u, s, v = numpy.linalg.svd(a, full_matrices=True, compute_uv=True, hermitian=False)奇异值分解
  1. a 是一个形如(M,N)矩阵
  2. full_matrices的取值是为False或者True，默认值为True，这时u的大小为(M,M)，v的大小为(N,N)。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。
  3. compute_uv的取值是为False或者True，默认值为True，表示计算u,s,v。为False的时候只计算s。
  4. 总共有三个返回值u,s,v，u大小为(M,M)，s大小为(M,N)，v大小为(N,N)，a = usv。
  5. 其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。 注：Numpy中返回的v是通常所谓奇异值分解a=usv'中v的转置。
  • 举例子:
import numpy as np

A = np.array([[1, 1], [1, -2], [2, 1]])
print(A)
# [[ 1  1]
#  [ 1 -2]
#  [ 2  1]]

u, s, vh = np.linalg.svd(A, full_matrices=False)
print(u.shape)  # (3, 2)
print(u)
# [[-5.34522484e-01 -1.11022302e-16]
#  [ 2.67261242e-01 -9.48683298e-01]
#  [-8.01783726e-01 -3.16227766e-01]]

print(s.shape)  # (2,)
print(np.diag(s))
# [[2.64575131 0.        ]
#  [0.         2.23606798]]

print(vh.shape)  # (2, 2)
print(vh)
# [[-0.70710678 -0.70710678]
#  [-0.70710678  0.70710678]]

a = np.dot(u, np.diag(s))
a = np.dot(a, vh)
print(a)
# [[ 1.  1.]
#  [ 1. -2.]
#  [ 2.  1.]]


QR分解

  • q,r = numpy.linalg.qr(a, mode='reduced')计算矩阵a的QR分解。
  • a是一个(M, N)的待分解矩阵。
  • mode = reduced：返回(M, N)的列向量两两正交的矩阵q，和(N, N)的三角阵r（Reduced QR分解）。
  • mode = complete：返回(M, M)的正交矩阵q，和(M, N)的三角阵r（Full QR分解）。
  • 对于n阶方阵A，若存在正交矩阵Q和上三角矩阵R，使得A = QR，则该式称为矩阵A的完全QR分解或正交三角分解
  • 对于非方阵的mn(m≥n)阶矩阵A也可能存在QR分解的，A = QR。这时Q为mn阶的半正交矩阵，R为n*n阶上三角矩阵。这时的QR分解不是完整的(方阵)，因此称为约化QR分解(对于列满秩矩阵A必存在约化QR分解)。

Cholesky分解

  • L = numpy.linalg.cholesky(a) 返回正定矩阵a的 Cholesky 分解a = L*L.T，其中L是下三角

范数

矩阵范数

  • numpy.linalg.norm(x, ord=None, axis=None, keepdims=False) 计算向量或者矩阵的范数。


python Operator计算矩阵特征值和特征向量 numpy计算特征值_numpy 矩阵 秩_02


方阵的行列式

  • numpy.linalg.det(a) 计算行列式
  • 举例子
x = np.array([[1, 2], [3, 4]])
print(x)
# [[1 2]
#  [3 4]]

print(np.linalg.det(x))
# -2.0000000000000004


矩阵的秩

  • numpy.linalg.matrix_rank(M, tol=None, hermitian=False) 返回矩阵的秩。

矩阵的迹

  • numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None) 方阵的迹就是主对角元素之和。
## 解方程
### 逆矩阵(inverse matrix)
- numpy.linalg.inv(a) 计算矩阵a的逆矩阵（矩阵可逆的充要条件：det(a) != 0，或者a满秩）
import numpy as np

A = np.array([[1, -2, 1], [0, 2, -1], [1, 1, -2]])
print(A)
# [[ 1 -2  1]
#  [ 0  2 -1]
#  [ 1  1 -2]]

# 求A的行列式，不为零则存在逆矩阵
A_det = np.linalg.det(A)  
print(A_det)
# -2.9999999999999996

A_inverse = np.linalg.inv(A)  # 求A的逆矩阵
print(A_inverse)
# [[ 1.00000000e+00  1.00000000e+00 -1.11022302e-16]
#  [ 3.33333333e-01  1.00000000e+00 -3.33333333e-01]
#  [ 6.66666667e-01  1.00000000e+00 -6.66666667e-01]]

x = np.allclose(np.dot(A, A_inverse), np.eye(3))
print(x)  # True
x = np.allclose(np.dot(A_inverse, A), np.eye(3))
print(x)  # True

A_companion = A_inverse * A_det  # 求A的伴随矩阵
print(A_companion)
# [[-3.00000000e+00 -3.00000000e+00  3.33066907e-16]
#  [-1.00000000e+00 -3.00000000e+00  1.00000000e+00]
#  [-2.00000000e+00 -3.00000000e+00  2.00000000e+00]]


求解线性方程组

矩阵的逆

  • numpy.linalg.inv(a) 计算矩阵a的逆矩阵（矩阵可逆的充要条件：det(a) != 0，或者a满秩）

方程求解

  • numpy.linalg.solve(a, b) 求解线性方程组或矩阵方程。
  • 解决的方程形式是：aX=b
  • 【例】求解线性矩阵方程
#  x + 2y +  z = 7
# 2x -  y + 3z = 7
# 3x +  y + 2z =18

import numpy as np

A = np.array([[1, 2, 1], [2, -1, 3], [3, 1, 2]])
b = np.array([7, 7, 18])
x = np.linalg.solve(A, b)
print(x)  # [ 7.  1. -2.]

x = np.linalg.inv(A).dot(b)
print(x)  # [ 7.  1. -2.]

y = np.allclose(np.dot(A, x), b)
print(y)  # True


练习

求两个数组之间的欧式距离


a = np.array([1, 2, 3, 4, 5])
b = np.array([4, 5, 6, 7, 8])
print(np.linalg.norm(a-b))

6.708203932499369


计算矩阵的行列式和矩阵的逆


x = np.diag([5,5,5,5,5])
print(np.linalg.det(x))
print(np.linalg.inv(x))

3124.999999999999
[[ 0.2  0.   0.   0.   0. ]
 [ 0.   0.2  0.   0.   0. ]
 [ 0.   0.   0.2  0.   0. ]
 [-0.  -0.  -0.   0.2 -0. ]
 [ 0.   0.   0.   0.   0.2]]


求方程


import numpy  as np
A=np.array([[1, -2, 1],[0 ,2 ,-8],[-4, 5 ,9]])
b=np.array([0,8,-9])
print(np.linalg.solve(A,b))

[29. 16.  3.]


特征值特征向量


A=np.array([[4,-1,1],[-1,3,-2],[1,-2,3]])
x,y = np.linalg.eig(A)
print(x)
print(y)

[3. 6. 1.]
[[-8.16496581e-01 -5.77350269e-01  3.89855447e-17]
 [-4.08248290e-01  5.77350269e-01  7.07106781e-01]
 [ 4.08248290e-01 -5.77350269e-01  7.07106781e-01]]