weixin_56449709的博客

总结了线性代数中常见的特殊矩阵类型、性质和矩阵分解方法，并介绍了NumPy线性代数模块的核心功能

投影矩阵、最小二乘法、奇异值分解（图片压缩）

介绍了正交矩阵和矩阵对角化的核心概念，展示如何使用NumPy验证正交矩阵性质、计算特征值/向量以及实现矩阵对角化应用

两个向量作为输入得到一个新的向量，得到的向量垂直于输入向量所构建的平面。（适用于三维空间，两个向量相乘得到一个向量）：向量×向量，逐个元素相乘，再将相乘得到的结果进行相加，得到一个标量，满足交换律。向量的标量乘法：实数×向量，每个元素乘以实数，返回一个一维向量。在几何上表示两个向量的模相乘，再乘两个向量的夹角的cos值。本质：NumPy 的“向量”是 一维数组，没有行列区分。：向量的每个元素都相乘，最后返回一个一维向量。向量的加减法：逐个元素相加减。：两个向量相乘得到一个矩阵。表现形式：一维数组，

矩阵基础—到—线性方程基础

数组扩充，形状调整以及排序

Numpy文件和结构化数组

numpy的通用函数，向量化，统计计算函数

视图和副本、索引和切片、数组的转置和轴对换、伪随机数

numpy数组的创建、类型说明、属性和列表的差异