章节
- SciPy 介绍
- SciPy 安装
- SciPy 基础功能
- SciPy 特殊函数
- SciPy k均值聚类
- SciPy 常量
- SciPy fftpack(傅里叶变换)
- SciPy 积分
- SciPy 插值
- SciPy 输入输出
- SciPy 线性代数
- SciPy 图像处理
- SciPy 优化
- SciPy 信号处理
- SciPy 统计
SciPy线性代数包是使用优化的ATLAS LAPACK和BLAS库构建的，具有高效的线性代数运算能力。
线性代数包里的函数，操作对象都是二维数组。
SciPy.linalg 与 NumPy.linalg
与NumPy.linalg相比，scipy.linalg除了包含numpy.linalg中的所有函数，还具有numpy.linalg中没有的高级功能。
线性方程组求解
scipy.linalg.solve 函数可用于解线性方程。例如，对于线性方程$a * x + b * y = z$，求出未知数x, y值。
示例
解下面的联立方程组：
$$
x + 3y + 5z = 10 \
2x + 5y + z = 8 \
2x + 3y + 8z = 3
$$
上面的方程组，可以用矩阵表示为：
$$
\left[
\begin{matrix}
1 & 3 & 5 \
2 & 5 & 1 \
2 & 3 & 8
\end{matrix}
\right]
\left[
\begin{matrix}
x \
y \
z
\end{matrix}
\right] =
\left[
\begin{matrix}
10 \
8 \
3
\end{matrix}
\right]
$$
利用矩阵求解上面方程组，如下图所示：
$$
\left[
\begin{matrix}
x \
y \
z
\end{matrix}
\right]
=
\left[
\begin{matrix}
1 & 3 & 5 \
2 & 5 & 1 \
2 & 3 & 8
\end{matrix}
\right]^{-1}
\left[
\begin{matrix}
10 \
8 \
3
\end{matrix}
\right]
= \frac{1}{25}
\left[
\begin{matrix}
-232 \
129 \
19
\end{matrix}
\right]
=
\left[
\begin{matrix}
-9.28 \
5.16 \
0.76
\end{matrix}
\right]
$$
下面我们使用scipy来求解。
scipy.linalg.solve函数接受两个输入，数组a和数组b，数组a表示系数，数组b表示等号右侧值，求出的解将会放在一个数组里返回。
让我们考虑下面的例子。
# 导入scipy和numpy包
from scipy import linalg
import numpy as np
# 声明numpy数组
a = np.array([[1, 3, 5], [2, 5, 1], [2, 3, 8]])
b = np.array([10, 8, 3])
# 求解
x = linalg.solve(a, b)
# 输出解值
print (x)输出
[-9.28 5.16 0.76]计算行列式
矩阵A的行列式表示为$|A|$，行列式计算是线性代数中的常见运算。
SciPy中，可以使用det()函数计算行列式，它接受一个矩阵作为输入，返回一个标量值，即该矩阵的行列式值。
示例
# 导入scipy和numpy包
from scipy import linalg
import numpy as np
# 声明numpy数组
A = np.array([[3,4],[7,8]])
# 计算行列式
x = linalg.det(A)
# 输出结果
print (x)输出
-4.0求取特征值与特征向量
求取矩阵的特征值、特征向量，也是线性代数中的常见计算。
通常，可以根据下面的关系，求取矩阵(A)的特征值(λ)、特征向量(v)：
$$ Av = λv $$
scipy.linalg.eig 函数可用于计算特征值与特征向量，函数返回特征值和特征向量。
示例
# 导入scipy和numpy包
from scipy import linalg
import numpy as np
# 声明numpy数组
A = np.array([[3,4],[7,8]])
# 求解
l, v = linalg.eig(A)
# 打印特征值
print('特征值')
print (l)
# 打印特征向量
print('特征向量')
print (v)上面的程序将生成以下输出。
特征值
[-0.35234996+0.j 11.35234996+0.j]
特征向量
[[-0.76642628 -0.43192981]
[ 0.64233228 -0.90190722]]SVD奇异值分解
奇异值分解(SVD)是现在比较常见的算法之一，也是数据挖掘工程师、算法工程师必备的技能之一。 假设A是一个$M×N$的矩阵，那么通过矩阵分解将会得到$U，Σ，VT$（V的转置）三个矩阵，其中U是一个$M×M$的方阵，被称为左奇异向量，方阵里面的向量是正交的；Σ是一个$M×N$的对角矩阵，除了对角线的元素其他都是0，对角线上的值称为奇异值；$VT$(V的转置)是一个$N×N$的矩阵，被称为右奇异向量，方阵里面的向量也都是正交的。
$$ A_{m\times{n}} = U_{m\times{m}} Σ_{m\times{n}} V_{n\times{n}}^T$$
让我们考虑下面的例子。
# 导入scipy和numpy包
from scipy import linalg
import numpy as np
# 声明numpy数组
a = np.random.randn(3, 2) + 1.j*np.random.randn(3, 2)
# 输出原矩阵
print('原矩阵')
print(a)
# 求解
U, s, Vh = linalg.svd(a)
# 输出结果
print('奇异值分解')
print(U, "#U")
print(Vh, "#Vh")
print(s, "#s")上面的程序将生成以下输出。
原矩阵
[[ 1.81840014+0.16615057j -0.47446573-2.36327076j]
[-0.19366846-0.44489565j -0.03227288+0.02260894j]
[-0.91921239-0.99340761j -1.33606096+0.40858722j]]
奇异值分解
[[-0.84399035+0.03548862j -0.1574924 +0.44602345j 0.08723906-0.23466874j]
[ 0.03893388+0.08672055j -0.19156838-0.45118633j -0.02718865-0.86600053j]
[ 0.23121352+0.47320699j -0.71944217+0.13562682j 0.41089761+0.13336765j]] #U
[[-0.63461867+0.j 0.05670247+0.77074248j]
[ 0.77282543+0.j 0.04656219+0.63290822j]] #Vh
[3.55734783 0.7144458 ] #s
