摘要:本文主要向大家介绍了Python语言之码农眼中的数学之~矩阵专栏(附Numpy讲解),通过具体的内容向大家展示,希望对大家学习Python语言有所帮助。
本文主要向大家介绍了Python语言之码农眼中的数学之~矩阵专栏(附Numpy讲解),通过具体的内容向大家展示,希望对大家学习Python语言有所帮助。
2.1.矩阵的定义
矩阵:是一个按照长方阵列排列的复数或实数集合。
通俗讲就是:把数排成m行n列后,然后用中括号把它们括住,这种形式的组合就是矩阵了~ eg:
⎡⎣⎢⎢⎢⎢⎢⎢⎢a11a21a31⋮am1a12a22a32⋮am2a13a23a33⋮am3.........⋱...a1na2na3n⋮amn⎤⎦⎥⎥⎥⎥⎥⎥⎥[a11a12a13...a1na21a22a23...a2na31a32a33...a3n⋮⋮⋮⋱⋮am1am2am3...amn]
比如上面这个示例就是一个m × n的矩阵(m行n列的矩阵),如果m=n那么就叫做n阶方阵,eg:
⎡⎣⎢147258369⎤⎦⎥[123456789]
这个就是3阶方阵
如果回到中学,老师肯定都是通过一次方程组来引入矩阵(逆天的老师是这么讲的):
⎧⎩⎨x1+x2=−12x1−x2=43x1+5x2=−7{x1+x2=−12x1−x2=43x1+5x2=−7 ==> ⎡⎣⎢1231−15⎤⎦⎥[x1x2]=⎡⎣⎢−14−7⎤⎦⎥[112−135][x1x2]=[−14−7]
如果你方程组都忘记怎么解的话...好吧还是说下吧:“比如这题,可以先把x2移到右边,这样x1就等于一个表达式了(x1=-x2-1),然后带入第二个表达式就可以解出x1和x2了,一次的其实两个表达式就可以解出了,剩下的你可以把值带进去验证一下”
2.2.矩阵的运算(含幂运算)
2.2.1.加、减
加减比较简单,就是对应元素相加减 (只有行列都相同的矩阵才可以进行)
就不用麻烦的LaTex一行行打了,咱们用更方便的 NumPy 来演示一下矩阵加法(不懂代码的直接看结果,不影响阅读的)
Numpy有专门的矩阵函数(np.mat),用法和ndarray差不多,我们这边使用经常使用ndarray类型,基础忘记了可以去查看一下:Numpy基础
扩展:矩阵的加法运算满足交换律:A + B = B + A (乘法不行)
In [1]:
import numpy as np
In [2]:
# 创建两个集合A = np.arange(1,10).reshape((3,3))B = np.arange(9).reshape((3,3))print(A)print("-"*5)print(B)
[[1 2 3]
[4 5 6]
[7 8 9]]
-----
[[0 1 2]
[3 4 5]
[6 7 8]]
In [3]:
# 加法A + B
Out[3]:
array([[ 1, 3, 5],
[ 7, 9, 11],
[13, 15, 17]])
In [4]:
# 和A+B相等B + A
Out[4]:
array([[ 1, 3, 5],
[ 7, 9, 11],
[13, 15, 17]])
In [5]:
# 减法A - B
Out[5]:
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
In [6]:
################ 变化来了 ################
In [7]:
# 之前说过 ”只有行列都相同的矩阵才可以进行“ 来验证一下# 创建一个2行3列的矩阵C = np.arange(6).reshape((2,3))D = np.arange(6).reshape((3,2))print(C)print("-"*5)print(D)
[[0 1 2]
[3 4 5]]
-----
[[0 1]
[2 3]
[4 5]]
In [8]:
# 2行3列的矩阵 + 3行2列的矩阵C + D # 不同形状的矩阵不能进行加运算
---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-8-bc97e29f7e31> in <module>() 1 # 2行3列的矩阵 + 3行2列的矩阵----> 2C + D # 不同形状的矩阵不能进行加运算ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
In [9]:
C - D # 不同形状的矩阵不能进行减运算
---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-9-ca5169d0bf6c> in <module>()----> 1C - D # 不同形状的矩阵不能进行减运算ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
2.2.2.数乘、数除
这个也比较简单,就是和每个元素相乘,eg:2×A,A原本的每一个元素都扩大了两倍
数除其实就是乘以倒数(1/x)
In [10]:
print(A)
[[1 2 3]
[4 5 6]
[7 8 9]]
In [11]:
# 比如2×A,A原本的每一个元素都扩大了两倍2 * A
Out[11]:
array([[ 2, 4, 6],
[ 8, 10, 12],
[14, 16, 18]])
In [12]:
print(A)
[[1 2 3]
[4 5 6]
[7 8 9]]
In [13]:
# 友情提醒:Numpy里面的运算基本上都是针对每一个元素A / 2
Out[13]:
array([[0.5, 1. , 1.5],
[2. , 2.5, 3. ],
[3.5, 4. , 4.5]])
2.2.3.矩阵乘法
矩阵乘法还是要用LaTex演示一下的,不然有些朋友可能还是觉得比较抽象:(大家有什么好用的LaTex在线编辑器可以推荐的)
拿上面那个方程组来演示一下:
⎡⎣⎢1231−15⎤⎦⎥[x1x2]==>⎧⎩⎨x1+x22x1−x23x1+5x2[112−135][x1x2]==>{x1+x22x1−x23x1+5x2
稍微变化一下就更形象了:
⎡⎣⎢1231−15⎤⎦⎥[x1x2y1y2]==>⎧⎩⎨x1+x22x1−x23x1+5x2⎧⎩⎨y1+y22y1−x23y1+5y2==>⎡⎣⎢x1+x22x1−x23x1+5x2y1+y22y1−y23y1+5y2⎤⎦⎥[112−135][x1y1x2y2]==>{x1+x22x1−x23x1+5x2{y1+y22y1−x23y1+5y2==>[x1+x2y1+y22x1−x22y1−y23x1+5x23y1+5y2]
举个简单的例子:A×B
[1324][4231]=[1∗4+2∗23∗4+4∗21∗3+2∗13∗3+4∗1]=[820513][1234][4321]=[1∗4+2∗21∗3+2∗13∗4+4∗23∗3+4∗1]=[852013]
以后记不得怎么乘就自己推一下,值得注意的是:
两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵B的行数(row)相等才可以进行计算
你这样想就记得了:[1324][x1]还原成方程组就是这样{1∗x1+2∗?3∗x1+4∗?这是什么鬼?至少得这样吧:[1324][x1x2][1234][x1]还原成方程组就是这样{1∗x1+2∗?3∗x1+4∗?这是什么鬼?至少得这样吧:[1234][x1x2]
In [14]:
# 通过代码看一看A = np.array([[1,2],[3,4]])B = np.array([[4,3],[2,1]])print(A)print("-"*5)print(B)
[[1 2]
[3 4]]
-----
[[4 3]
[2 1]]
In [15]:
# 注意一下,Numpy里面的乘法默认是每个数对应相乘# 如果是矩阵相乘可以使用dot()方法# 或者你创建矩阵对象,这样×默认就是矩阵乘法了A.dot(B) # 矩阵A×矩阵B
Out[15]:
array([[ 8, 5],
[20, 13]])
程序验证了我们上面的运算结果,还得注意一下:
A×B和B×A是不一样的,eg:B×A
[4231][1324]=[4∗1+3∗32∗1+1∗34∗2+3∗42∗2+1∗4]=[135208][4321][1234]=[4∗1+3∗34∗2+3∗42∗1+1∗32∗2+1∗4]=[132058]
如果你乘着乘着就忘记到底怎么乘,就把右边的矩阵换成x1,x2,然后就会了
In [16]:
print(A)print("-"*5)print(B)
[[1 2]
[3 4]]
-----
[[4 3]
[2 1]]
In [17]:
B.dot(A) # 矩阵B×矩阵A
Out[17]:
array([[13, 20],
[ 5, 8]])
In [18]:
################ 变化来了 ################
In [19]:
# 来验证一下”两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵D的行数(row)相等才可以进行计算“print(A)print("-"*5)print(D)
[[1 2]
[3 4]]
-----
[[0 1]
[2 3]
[4 5]]
In [20]:
# A有2列 D有3行A.dot(D) # 不能乘
---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-20-c1a9f22a6f8d> in <module>() 1 # A有2列 D有3行----> 2A.dot(D) # 不能乘ValueError: shapes (2,2) and (3,2) not aligned: 2 (dim 1) != 3 (dim 0)
In [21]:
# 你反过来就符合A的列数=D的行数了D.dot(A)
Out[21]:
array([[ 3, 4],
[11, 16],
[19, 28]])
2.2.4.幂乘、幂运算
幂乘比较简单,就是每个元素开平方,不一定是方阵
必须是方阵才能进行幂运算,比如A²=A×A(矩阵相乘前提:第一个矩阵A的行=第二个矩阵A的列==>方阵)
In [22]:
print(A)print("-"*5)print(C)
[[1 2]
[3 4]]
-----
[[0 1 2]
[3 4 5]]
In [23]:
# 幂乘(每个元素开平方) np.power(A,2) # 使用 A**2也一样
Out[23]:
array([[ 1, 4],
[ 9, 16]])
In [24]:
# 幂乘(不一定是方阵) np.power(C,2)
Out[24]:
array([[ 0, 1, 4],
[ 9, 16, 25]])
In [25]:
################ 方阵幂运算 ################
In [26]:
# A*A*Anp.linalg.matrix_power(A,3)
Out[26]:
array([[ 37, 54],
[ 81, 118]])
In [27]:
# 不是方阵就overnp.linalg.matrix_power(C,3)
---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-27-73f04ef7b54c> in <module>() 1 # 不是方阵就over----> 2np.linalg.matrix_power(C,3)~/anaconda3/lib/python3.6/site-packages/numpy/matrixlib/defmatrix.py in matrix_power(M, n) 137 M = asanyarray(M) 138 if M.ndim != 2 or M.shape[0] != M.shape[1]:--> 139raise ValueError("input must be a square array") 140 if not issubdtype(type(n), N.integer): 141 raise TypeError("exponent must be an integer")ValueError: input must be a square array
来个小结 + 扩展:
矩阵的加法运算满足交换律:A + B = B + A
矩阵的乘法满足结合律和对矩阵加法的分配律:
结合律:(AB)C = A(BC)
左分配律:(A + B)C = AC + BC
右分配律:C(A + B) = CA + CB
矩阵的乘法与数乘运算之间也满足类似结合律的规律;与转置之间则满足倒置的
分配律:c(A + B) = cA + cB
结合律:c(AB) = (cA)B = A(cB)
矩阵乘法不满足交换律 一般来说,矩阵A及B的乘积AB存在,但BA不一定存在,即使存在,大多数时候AB ≠ BA
2.3.特殊矩阵
2.3.1.零矩阵
零矩阵就是所有的元素都是0
⎡⎣⎢000000000⎤⎦⎥[000000000]
同样的:全1矩阵就是所有元素都是1
⎡⎣⎢111111111⎤⎦⎥[111111111]
In [1]:
import numpy as np
In [2]:
# 一维# 可以指定类型 np.zeros(5,dtype=int)np.zeros(5) # 完整写法:np.zeros((5,))
Out[2]:
array([0., 0., 0., 0., 0.])
In [3]:
# 二维np.zeros((2,5))# 建议用元组,官方文档都是元组
Out[3]:
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
In [4]:
# 三维 ==> 可以这么理解,2个2*5(2行5列)的矩阵np.zeros((2,2,5))
Out[4]:
array([[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]],
[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]])
In [5]:
################ 全1矩阵 ################
In [6]:
# `np.ones(tuple)` 用法和`np.zeros(tuple)`差不多# 可以指定类型 np.ones(5,dtype=int)# 一维np.ones(5) # 完整写法 np.ones((5,))
Out[6]:
array([1., 1., 1., 1., 1.])
In [7]:
# 二维,传一个shape元组np.ones((2,5))
Out[7]:
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
In [8]:
# 三维 可以理解为两个二维数组np.ones((2,2,5))
Out[8]:
array([[[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]],
[[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]]])
In [9]:
################ 指定值矩阵 ################
In [10]:
# 创建指定值的矩阵:np.full((3,5),222)
Out[10]:
array([[222, 222, 222, 222, 222],
[222, 222, 222, 222, 222],
[222, 222, 222, 222, 222]])
In [11]:
# 创建指定值的矩阵,浮点类型np.full((3,5),222.0)
Out[11]:
array([[222., 222., 222., 222., 222.],
[222., 222., 222., 222., 222.],
[222., 222., 222., 222., 222.]])
2.3.3.转置矩阵
转置矩阵 :将矩阵的行列互换得到的新矩阵(行列式不变)
m行×n列的矩阵行和列交换后就变成了n行×m列的矩阵,eg:3行×2列 ==> 2行×3列
⎡⎣⎢135246⎤⎦⎥T==>[123456][123456]T==>[135246]
矩阵的转置满足分配律:
(A+B)T=AT+BT(A+B)T=AT+BT
(AB)T=BTAT(AB)T=BTAT
再次提醒:两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵B的行数(row)相等才可以进行计算
In [12]:
A = np.arange(6).reshape((2,3))print(A)
[[0 1 2]
[3 4 5]]
In [13]:
# 转置矩阵(行列互换)A.T
Out[13]:
array([[0, 3],
[1, 4],
[2, 5]])
In [14]:
B = np.random.randint(10,size=(2,3))print(B)
[[4 4 7]
[5 3 9]]
In [15]:
################ 验证系列 ################
In [16]:
# 验证一下(A+B)^T=A^T+B^Tprint(A.T + B.T)print("-"*5)print((A+B).T)
[[ 4 8]
[ 5 7]
[ 9 14]]
-----
[[ 4 8]
[ 5 7]
[ 9 14]]
In [17]:
# 验证一下(A+B)^T=A^T+B^T# 其实也再一次验证了,Numpy运算符默认是对每一个元素的操作(A+B).T == A.T + B.T
Out[17]:
array([[ True, True],
[ True, True],
[ True, True]])
In [18]:
################ 验证系列 ################
In [19]:
# 把A变成3*2的矩阵,不够元素用0补# reshape:有返回值,不对原始多维数组进行修改# resize:无返回值,会对原始多维数组进行修改A.resize(3,2)print(A)print(B)
[[0 1]
[2 3]
[4 5]]
[[4 4 7]
[5 3 9]]
In [20]:
# 验证(AB)^T=B^T×A^Tprint((A.dot(B)).T)print("-"*5)print((B.T).dot(A.T))
[[ 5 23 41]
[ 3 17 31]
[ 9 41 73]]
-----
[[ 5 23 41]
[ 3 17 31]
[ 9 41 73]]
2.3.3.上三角矩阵和下三角矩阵
上三角矩阵 :主对角线以下都是零的方阵
⎡⎣⎢⎢⎢2000970043607311⎤⎦⎥⎥⎥[2947073300610001]
下三角矩阵 :主对角线以上都是零的方阵
⎡⎣⎢⎢⎢2351076200730004⎤⎦⎥⎥⎥[2000370056701234]
性质(行列式后面会说)
上(下)三角矩阵的行列式为对角线元素相乘
上(下)三角矩阵乘以系数后也是上(下)三角矩阵
上(下)三角矩阵间的加减法和乘法运算的结果仍是上(下)三角矩阵
上(下)三角矩阵的逆矩阵也仍然是上(下)三角矩阵
In [21]:
# 创建一个5行4列矩阵A = np.random.randint(10,size=(4,4))print(A)
[[3 5 2 3]
[7 2 9 6]
[5 1 7 6]
[1 2 8 4]]
In [22]:
# 上三角np.triu(A)
Out[22]:
array([[3, 5, 2, 3],
[0, 2, 9, 6],
[0, 0, 7, 6],
[0, 0, 0, 4]])
In [23]:
# 下三角np.tril(A)
Out[23]:
array([[3, 0, 0, 0],
[7, 2, 0, 0],
[5, 1, 7, 0],
[1, 2, 8, 4]])
In [24]:
# 验证一下最后一个性质# 三角矩阵的逆矩阵也仍然是三角矩阵print(np.triu(A).T)print('-'*5)print(np.tril(A).T)
[[3 0 0 0]
[5 2 0 0]
[2 9 7 0]
[3 6 6 4]]
-----
[[3 7 5 1]
[0 2 1 2]
[0 0 7 8]
[0 0 0 4]]
2.3.4.对角矩阵
对角矩阵 :主对角线之外的元素皆为0的方阵 (单位矩阵属于对角矩阵中的一种)
⎡⎣⎢000000000⎤⎦⎥⎡⎣⎢100010001⎤⎦⎥⎡⎣⎢200020002⎤⎦⎥⎡⎣⎢300090006⎤⎦⎥[000000000][100010001][200020002][300090006]
扩充:对角矩阵的运算包括和、差运算、数乘运算、同阶对角阵的乘积运算,且结果仍为对角阵
而且有意思的是:对角矩阵的矩阵幂运算等于其对应元素的幂运算
⎡⎣⎢300090006⎤⎦⎥n=⎡⎣⎢3n0009n0006n⎤⎦⎥[300090006]n=[3n0009n0006n]
In [25]:
# 简单创建np.diag([3,9,6])
Out[25]:
array([[3, 0, 0],
[0, 9, 0],
[0, 0, 6]])
In [26]:
np.diag([2,2,2])
Out[26]:
array([[2, 0, 0],
[0, 2, 0],
[0, 0, 2]])
In [27]:
################ 验证系列 ################
In [28]:
# np.diag?print(A)# 获取对角元素,然后再生成对角矩阵B = np.diag(A.diagonal()) #或者 np.diag(np.diag(A))print(B)
[[3 5 2 3]
[7 2 9 6]
[5 1 7 6]
[1 2 8 4]]
[[3 0 0 0]
[0 2 0 0]
[0 0 7 0]
[0 0 0 4]]
In [29]:
B.dot(B).dot(B)
Out[29]:
array([[ 27, 0, 0, 0],
[ 0, 8, 0, 0],
[ 0, 0, 343, 0],
[ 0, 0, 0, 64]])
In [30]:
# 对角矩阵的矩阵幂运算等于其对应元素的幂运算B**3
Out[30]:
array([[ 27, 0, 0, 0],
[ 0, 8, 0, 0],
[ 0, 0, 343, 0],
[ 0, 0, 0, 64]])
2.3.5.单位矩阵
单位矩阵 :单位矩阵是个方阵(行列相等),从左上角到右下角的对角线(称为主对角线)上的元素均为1。其他全都为0,eg:
⎡⎣⎢100010001⎤⎦⎥[100010001]
任何矩阵 x 单位矩阵 都等于其本身 (反过来也一样(这个和1×a=a×1一个道理))
In [31]:
# 定义一个2行的单位矩阵(列默认和行一致)# np.eye(rows,columns=rows)np.eye(2)
Out[31]:
array([[1., 0.],
[0., 1.]])
In [32]:
################ 验证扩展 ################
In [33]:
# 可以指定类型B = np.eye(4,dtype=int)print(B)
[[1 0 0 0]
[0 1 0 0]
[0 0 1 0]
[0 0 0 1]]
In [34]:
print(A)
[[3 5 2 3]
[7 2 9 6]
[5 1 7 6]
[1 2 8 4]]
In [35]:
# 任何矩阵 x 单位矩阵 都等于其本身A.dot(B)
Out[35]:
array([[3, 5, 2, 3],
[7, 2, 9, 6],
[5, 1, 7, 6],
[1, 2, 8, 4]])
In [36]:
# 反过来也一样(这个和1*a=a*1一个道理)B.dot(A)
Out[36]:
array([[3, 5, 2, 3],
[7, 2, 9, 6],
[5, 1, 7, 6],
[1, 2, 8, 4]])
2.3.6.对称矩阵
对称矩阵 :元素以主对角线为对称轴对应相等的方阵
对称矩阵的转置是它本身:AT=AAT=A
In [37]:
A = np.random.randint(10,size=(4,4))print(A)
[[0 1 6 9]
[1 2 4 7]
[4 8 7 9]
[3 6 8 0]]
In [38]:
B = np.triu(A)B += B.T - np.diag(A.diagonal())print(B)
[[0 1 6 9]
[1 2 4 7]
[6 4 7 9]
[9 7 9 0]]
In [39]:
# 验证一下B.T == B
Out[39]:
array([[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True],
[ True, True, True, True]])
In [40]:
################ 分步解释 ################
In [41]:
# 创建上三角矩阵B = np.triu(A)print(B)
[[0 1 6 9]
[0 2 4 7]
[0 0 7 9]
[0 0 0 0]]
In [42]:
# 上三角+它的逆矩阵(发现距离对角矩阵只是多加一次对角线上的元素)B += B.Tprint(B)
[[ 0 1 6 9]
[ 1 4 4 7]
[ 6 4 14 9]
[ 9 7 9 0]]
In [43]:
# 所以减去对角线上的元素,得到对角矩阵B - np.diag(A.diagonal())
Out[43]:
array([[0, 1, 6, 9],
[1, 2, 4, 7],
[6, 4, 7, 9],
[9, 7, 9, 0]])
2.4.逆矩阵
逆矩阵 :设A是数域上的一个n阶方阵,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(表示为A−1A−1),而A则被称为可逆矩阵
通俗话讲就是:原矩阵×逆矩阵=逆矩阵×原矩阵=单位矩阵
2.4.1.消元法
可能一看到逆矩阵,大家就想到代数余子式 ,不过逆天要说的是,代数余子式就和我们程序员面试题一样,有些题目就是又繁琐实际运用又没多大意义的题目一样,很多时候面试官都不看面试题一眼,同样的那些出题老师自己解题一般都不会使用。我这边介绍一下方便简单的方法“消元法”
比如求[3122]−1[3212]−1,就可以表示为:
[3122][x11x21x12x22]=[1001][3212][x11x12x21x22]=[1001]
转换成方程组:
⎧⎩⎨⎪⎪⎪⎪⎪⎪[3122][x11x21]=[10][3122][x12x22]=[01]==>求方程组{3x11+2x21=11x11+2x21=0和{3x12+2x22=01x12+2x22=1的解{[3212][x11x21]=[10][3212][x12x22]=[01]==>求方程组{3x11+2x21=11x11+2x21=0和{3x12+2x22=01x12+2x22=1的解
这样很轻松就能解出逆矩阵了
{x11=12x21=−14{x12=−12x22=34==>[12−14−1234]{x11=12x21=−14{x12=−12x22=34==>[12−12−1434]
In [44]:
A = np.array([[3,2],[1,2]])print(A)
[[3 2]
[1 2]]
In [45]:
# 求A的逆矩阵np.linalg.inv(A)
Out[45]:
array([[ 0.5 , -0.5 ],
[-0.25, 0.75]])
2.4.2.二阶方阵公式
如果只是2阶方阵,有更简单的公式(只能2阶使用,而消元法不受限制)矩阵是否可逆就看分母是否为0
[a11a21a12a22]=1a11a22−a12a21[a22−a21−a12a11][a11a12a21a22]=1a11a22−a12a21[a22−a12−a21a11]
比如求[3122]−1[3212]−1:
13×2−2×1[2−1−23]=[12−14−1234]13×2−2×1[2−2−13]=[12−12−1434]
扩展系列:伪逆矩阵
非方阵可以求 伪逆矩阵 AXA=A,XAX=X
判断矩阵是否可逆:
det[a11a21a12a22]=a11a12−a12a21det⎡⎣⎢a11a21a31a12a22a32a13a23a33⎤⎦⎥=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a12a21a33−a11a23a32det[a11a12a21a22]=a11a12−a12a21det[a11a12a13a21a22a23a31a32a33]=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a12a21a33−a11a23a32
方法很多(比如还可以通过余子式),公式其实有规律,你可以先摸索下(给个提示):
项
正负
a11a22 +
a12a21 -
项
正负
a11a22a33 +
a11a23a32 -
a12a21a33 -
a12a23a31 +
a13a21a32 +
a13a22a31 -
程序比较简单:np.linalg.det(A)
In [46]:
A = np.array([[7, 3, 6],[5, 3, 1]])print(A)
[[7 3 6]
[5 3 1]]
In [47]:
# 不等于0就是可逆np.linalg.det(A)
---------------------------------------------------------------------------LinAlgError Traceback (most recent call last)<ipython-input-47-2ce8e7bdf499> in <module>() 1 # 不等于0就是可逆----> 2np.linalg.det(A)~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in det(a) 1869 a = asarray(a) 1870 _assertRankAtLeast2(a)-> 1871_assertNdSquareness(a) 1872 t, result_t = _commonType(a) 1873 signature = 'D->D' if isComplexType(t) else 'd->d'~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays) 209 for a in arrays: 210 if max(a.shape[-2:]) != min(a.shape[-2:]):--> 211raise LinAlgError('Last 2 dimensions of the array must be square') 212 213 def _assertFinite(*arrays):LinAlgError: Last 2 dimensions of the array must be square
In [48]:
# 必须是方阵的验证np.linalg.inv(A)
---------------------------------------------------------------------------LinAlgError Traceback (most recent call last)<ipython-input-48-0af3c81a492f> in <module>() 1 # 必须是方阵的验证----> 2np.linalg.inv(A)~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in inv(a) 521 a, wrap = _makearray(a) 522 _assertRankAtLeast2(a)--> 523_assertNdSquareness(a) 524 t, result_t = _commonType(a) 525 ~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays) 209 for a in arrays: 210 if max(a.shape[-2:]) != min(a.shape[-2:]):--> 211raise LinAlgError('Last 2 dimensions of the array must be square') 212 213 def _assertFinite(*arrays):LinAlgError: Last 2 dimensions of the array must be square
In [49]:
# 有时候还是需要求逆矩阵# 那就可以求它的伪逆矩阵X = np.linalg.pinv(A)print(X)
[[-0.00632911 0.15189873]
[-0.05696203 0.16708861]
[ 0.20253165 -0.26075949]]
In [50]:
# A*X*A=AA.dot(X).dot(A)
Out[50]:
array([[7., 3., 6.],
[5., 3., 1.]])
In [51]:
# X*A*X=XX.dot(A).dot(X)
Out[51]:
array([[-0.00632911, 0.15189873],
[-0.05696203, 0.16708861],
[ 0.20253165, -0.26075949]])
In [52]:
################ 简单说下mat ################
In [53]:
# 创建一个矩阵A = np.mat([[3,2],[1,2]])print(A)type(A)
[[3 2]
[1 2]]
Out[53]:
numpy.matrixlib.defmatrix.matrix
In [54]:
# 求它的逆矩阵A.I
Out[54]:
matrix([[ 0.5 , -0.5 ],
[-0.25, 0.75]])
In [55]:
# A^TA.T
Out[55]:
matrix([[3, 1],
[2, 2]])
In [56]:
# *默认就是矩阵乘法A * A
Out[56]:
matrix([[11, 10],
[ 5, 6]])
In [57]:
# 更多自己查看下帮助文档把,用法和array基本上一样,# 我这边只是简单提一下,怕你们不去看(所有和矩阵相关的东西,里面都有封装,很方便)np.mat?
本文由职坐标整理并发布,希望对同学们学习Python有所帮助,更多内容请关注职坐标编程语言Python频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号