Python数据分析--Numpy常用函数介绍(9)-- 与线性代数有关的模块linalg
numpy.linalg 模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。一、计算逆矩阵
线性代数中，矩阵A与其逆矩阵A ^(-1)相乘后会得到一个单位矩阵I。该定义可以写为A *A ^(-1) =1。numpy.linalg 模块中的 inv 函数可以计算逆矩阵。
1) 用 mat 函数创建示例矩阵
import numpy as np
import matplotlib.pyplot as plt
A = np.mat("0 1 2;1 0 3;4 -3 8")2)用 inv 函数计算逆矩阵
inverse = np.linalg.inv(A)
print("inverse of A\n", inverse)运行结果如下：
A
[[ 012]
[ 103]
[ 4 -38]]
inverse of A
[[-4.57.-1.5]
[-2. 4.-1. ]
[ 1.5 -2. 0.5]] 3）可能通过原矩阵和逆矩阵相乘的结果来验证
print ("Check\n", A * inverse) #验证计算，原矩阵和逆矩阵相乘的，单位矩阵结果：
Check
[
]二、求解线性方程组
线性议程组 Ax=b
1)分另创建矩阵A和数组b
A = np.mat("1 -2 1;0 2 -8;-4 5 9") #用mat()函数创建示例矩阵
print("A\n", A)
b = np.array()2)用solve(A, b)解出x，用dot()函数进行验证，并打印
x = np.linalg.solve(A, b)
print("Solution", x)
print("Check\n", np.dot(A , x))#用dot()函数检查求得的解是否正确
三、特征值和特征向量
特征值（eigenvalue）即方程 Ax = ax 的根，是一个标量，特征向量是关于特征值的向量。在numpy.linalg 模块中， eigvals函数可以计算矩阵的特征值，而 eig 函数可以返回一个包含特征值和对应的特征向量的元组。
用 eigvals 函数求解特征值
用 eig 函数求解特征值和特征向量 ,如下代码：
print("Eigenvalues", np.linalg.eigvals(A))
eigenvalues, eigenvectors = np.linalg.eig(A)
print( "First tuple of eig", eigenvalues)
print(" Second tuple of eig\n", eigenvectors)四、奇异值分解
奇异值分解，是一种因子分解运算，将一个矩阵分解为3个矩阵的乘积。奇异值分解是特征值分解一种推广。在 numpy.linalg 模块中的svd()函数可以对矩阵进行奇异值分解。该函数返回3个矩阵——U、Sigma和V，其中U和V是正交矩阵，Sigma包含输入矩阵的奇异值（计算出来结果可能是虚数）。
U, Sigma, V = np.linalg.svd(A, full_matrices=False)# 用svd() 函数分解矩阵
print ("U:",U)
print ("Sigma:",Sigma)
print ("V:", V)
print ("Product\n", U * np.diag(Sigma) * V) #用diag函数生成完整的奇异值矩阵 五、广义
pinv 函数进行求解，计算广义逆矩阵需要用到奇异值分解函数pinv()，行列式计算用np.linalg中的函数det()：
#使用pinv函数计算广义逆矩阵:
A = np.mat("4 11 14;8 7 -2")
pseudoinv = np.linalg.pinv(A)
print("Pseudo inverse:\n", pseudoinv)
#计算矩阵的行列式
print("\n")
B = np.mat("3 4;5 6")
print("Determinant:", np.linalg.det(B))全部代码如下：
import numpy as np
import matplotlib.pyplot as plt
A = np.mat("0 1 2;1 0 3;4 -3 8")#用mat()函数创建示例矩阵print ("A\n",A)inverse = np.linalg.inv(A)#用inv()函数计算逆矩阵print("inverse of A\n", inverse)print ("Check\n", A * inverse) #验证计算，原矩阵和逆矩阵相乘的，单位矩阵#求解线性方程组A = np.mat("1 -2 1;0 2 -8;-4 5 9") #用mat()函数创建示例矩阵b = np.array()x = np.linalg.solve(A, b)print("Solution", x)print("Check\n", np.dot(A , x))#用dot()函数检查求得的解是否正确#特征值和特征向量print("Eigenvalues", np.linalg.eigvals(A)) #eigvals函数可以计算矩阵的特征值eigenvalues, eigenvectors = np.linalg.eig(A) #用 eig 函数求解特征值和特征向量print( "First tuple of eig", eigenvalues)print(" Second tuple of eig\n", eigenvectors)#奇异值分解U, Sigma, V = np.linalg.svd(A, full_matrices=False)# 用svd() 函数分解矩阵
print ("U:",U)
print ("Sigma:",Sigma)
print ("V:", V)
print ("Product\n", U * np.diag(Sigma) * V) #用diag函数生成完整的奇异值矩阵#使用pinv函数计算广义逆矩阵:
A = np.mat("4 11 14;8 7 -2")
pseudoinv = np.linalg.pinv(A)
print("Pseudo inverse:\n", pseudoinv)
#计算矩阵的行列式
print("\n")
B = np.mat("3 4;5 6")
print("Determinant:", np.linalg.det(B))运行结果：
https://img2022.cnblogs.com/blog/2826255/202208/2826255-20220802171317729-26817100.png
本篇介绍了一些numpy.linalg 模块中常用的函数，
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]