NumPy 线性代数

    NumPy 线性代数的实例

numpy.dot()

numpy.dot() 对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和(数学上称之为内积)；对于二维数组，计算的是两个数组的矩阵乘积；对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和： dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。

   numpy.dot(a, b, out=None)

参数说明：

a : ndarray 数组 b : ndarray 数组 out : ndarray, 可选，用来保存dot()的计算结果

 import numpy.matlib
 import numpy as np
 a = np.array([[1,2],[3,4]])
 b = np.array([[11,12],[13,14]])
 print(np.dot(a,b))

输出结果为：

 [[37 40] 
 [85 92]]

计算式为：

[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]

numpy.vdot()

numpy.vdot() 函数是两个向量的点积。 如果第一个参数是复数，那么它的共轭复数会用于计算。 如果参数是多维数组，它会被展开。

 import numpy.matlib
 import numpy as np
 a = np.array([[1,2],[3,4]]) 
 b = np.array([[11,12],[13,14]]) 
  
 # vdot 将数组展开计算内积
 print (np.vdot(a,b))

输出结果为：

 130

计算式为：

1*11 + 2*12 + 3*13 + 4*14 = 130

numpy.inner()

numpy.inner() 函数返回一维数组的向量内积。对于更高的维度，它返回最后一个轴上的和的乘积。

 import numpy.matlib
 print (np.inner(np.array([1,2,3]),np.array([0,1,0])))
 # 等价于 1*0+2*1+3*0

输出结果为：

   2

 import numpy as np 
 a = np.array([[1,2], [3,4]]) 
  
 print ('数组 a：')
 print (a)
 b = np.array([[11, 12], [13, 14]]) 
  
 print ('数组 b：')
 print (b)
  
 print ('内积：')
 print (np.inner(a,b))

输出结果为：

 数组 a：
 [[1 2]
  [3 4]]
 数组 b：
 [[11 12]
  [13 14]]
 内积：
 [[35 41]
  [81 95]]
 数组 a：
 [[1 2]
  [3 4]]
 数组 b：
 [[11 12]
  [13 14]]
 内积：
 [[35 41]
  [81 95]]

内积计算式为：

 1*11+2*12, 1*13+2*14 
 3*11+4*12, 3*13+4*14

numpy.matmul

numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积，但如果任一参数的维数大于2，则将其视为存在于最后两个索引的矩阵的栈，并进行相应广播。

另一方面，如果任一参数是一维数组，则通过在其维度上附加 1 来将其提升为矩阵，并在乘法之后被去除。

对于二维数组，它就是矩阵乘法：

 import numpy.matlib 
 import numpy as np 
  
 a = [[1,0],[0,1]] 
 b = [[4,1],[2,2]] 
 print (np.matmul(a,b))

输出结果为：

   [[4 1] 
  [2 2]]

二维和一维运算：

 import numpy.matlib 
 import numpy as np 
  
 a = [[1,0],[0,1]] 
 b = [1,2] 
 print (np.matmul(a,b))
 print (np.matmul(b,a))

输出结果为：

 [1 2] 
 [1 2]

维度大于二的数组 ：

 import numpy.matlib 
 import numpy as np 
  
 a = np.arange(8).reshape(2,2,2) 
 b = np.arange(4).reshape(2,2) 
 print (np.matmul(a,b))

输出结果为：

   [[[ 2 3]
   [ 6 11]]
  [[10 19]
   [14 27]]]

numpy.linalg.det()

numpy.linalg.det() 函数计算输入矩阵的行列式。

行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵，它是左上和右下元素的乘积与其他两个的乘积的差。

换句话说，对于矩阵[[a，b]，[c，d]]，行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。

import numpy as np
a = np.array([[1,2], [3,4]]) 
  
print (np.linalg.det(a))

输出结果为：

-2.0

 import numpy as np
  
 b = np.array([[6,1,1], [4, -2, 5], [2,8,7]]) 
 print (b)
 print (np.linalg.det(b))
 print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))

输出结果为：

   [[ 6 1 1]
  [ 4 -2 5]
  [ 2 8 7]]
 -306.0
 -306

numpy.linalg.solve()

numpy.linalg.solve() 函数给出了矩阵形式的线性方程的解。

考虑以下线性方程：

 x + y + z = 6
 2y + 5z = -4
 2x + 5y - z = 27

可以使用矩阵表示为：

如果矩阵成为A、X和B，方程变为：

 AX = B
 或
 X = A^(-1)B

numpy.linalg.inv()

numpy.linalg.inv() 函数计算矩阵的乘法逆矩阵。

逆矩阵（inverse matrix）：设A是数域上的一个n阶矩阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E ，则我们称B是A的逆矩阵，而A则被称为可逆矩阵。注：E为单位矩阵。

 import numpy as np 
  
 x = np.array([[1,2],[3,4]]) 
 y = np.linalg.inv(x) 
 print (x)
 print (y)
 print (np.dot(x,y))

输出结果为：

 [[1 2]
  [3 4]]
 [[-2. 1. ]
  [ 1.5 -0.5]]
 [[1.0000000e+00 0.0000000e+00]
  [8.8817842e-16 1.0000000e+00]]

现在创建一个矩阵A的逆矩阵:

 import numpy as np 
  
 a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) 
  
 print ('数组 a：')
 print (a)
 ainv = np.linalg.inv(a) 
  
 print ('a 的逆：')
 print (ainv)
  
 print ('矩阵 b：')
 b = np.array([[6],[-4],[27]]) 
 print (b)
  
 print ('计算：A^(-1)B：')
 x = np.linalg.solve(a,b) 
 print (x)
 # 这就是线性方向 x = 5, y = 3, z = -2 的解

输出结果为：

 数组 a：
 [[ 1 1 1]
  [ 0 2 5]
  [ 2 5 -1]]
 a 的逆：
 [[ 1.28571429 -0.28571429 -0.14285714]
  [-0.47619048 0.14285714 0.23809524]
  [ 0.19047619 0.14285714 -0.0952381 ]]
 矩阵 b：
 [[ 6]
  [-4]
  [27]]
 计算：A^(-1)B：
 [[ 5.]
  [ 3.]
  [-2.]]

   x = np.dot(ainv,b)