SciPy.org 002 numpy解线性方程组

最新推荐文章于 2024-08-27 09:45:04 发布

islinyoubiao

最新推荐文章于 2024-08-27 09:45:04 发布

阅读量534

点赞数

CC 4.0 BY-SA版权

分类专栏： SciPy 文章标签： python numpy scipy

本文链接：https://blog.csdn.net/islinyoubiao/article/details/105350577

SciPy 专栏收录该内容

4 篇文章

订阅专栏

本文详细介绍了NumPy库中的线性代数函数，包括dot、vdot、inner、matmul、determinant、solve和inv等，涵盖了矩阵乘法、点积、行列式计算、线性方程求解及逆矩阵计算等内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在菜鸟教程上有比较基础的numpy的入门知识，可以去学习。网址：

https://www.runoob.com/numpy/numpy-tutorial.html

高数里面，我们会先求矩阵的秩（rank）确定是否有解，再用消元法解一般线性方程组。

numpy提供linalg库来完成线性代数方面的工作。

函数	描述
dot	两个数组的点积，即元素对应相乘
vdot	两个向量的点积
inner	两个数组的内积
matmul	两个数组的矩阵积
determinant	数组的行列式
solve	求解线性矩阵方程
inv	计算矩阵的乘法逆矩阵

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

求解例子：

$\begin{bmatrix} 1 & 1& 1\\ 0& 2& 5\\ 2& 5& -1 \end{bmatrix} \begin{bmatrix} x \\ y \\ z \\ \end{bmatrix} = \begin{bmatrix} 6\\ -4\\ 27 \end{bmatrix}$

表示为： $\large Ax=b$

那么得： $\large x=A^{^-1}b$

代码如下：

"""
PyQt AND OpenCV
By LiNYoUBiAo
2020/4/9 22:51
"""
import numpy.matlib
import numpy as np
A = np.array([[1, 1, 1], [0, 2, 5], [2, 5, -1]])
b = np.array([[6], [-4], [27]])
# 求A的逆矩阵
Ainv = np.linalg.inv(A)
# 用逆矩阵公式解
print(np.dot(Ainv, b))
# 直接用linalg解
print(np.linalg.solve(A, b))

可以看到两个结果是一样的：