mirror of
https://github.com/Estom/notes.git
synced 2026-02-08 21:15:05 +08:00
130 lines
3.8 KiB
Markdown
130 lines
3.8 KiB
Markdown
# 线性代数
|
||
|
||
## 简介
|
||
SciPy是使用优化的ATLAS LAPACK和BLAS库构建的。 它具有非常快的线性代数能力。 所有这些线性代数例程都需要一个可以转换为二维数组的对象。 这些例程的输出也是一个二维数组。
|
||
|
||
### SciPy.linalg与NumPy.linalg
|
||
|
||
scipy.linalg包含numpy.linalg中的所有函数。 另外，scipy.linalg还有一些不在numpy.linalg中的高级函数。 在numpy.linalg上使用scipy.linalg的另一个优点是它总是用BLAS/LAPACK支持编译，而对于NumPy，这是可选的。 因此，根据NumPy的安装方式，SciPy版本可能会更快。
|
||
|
||
## 线性方程组
|
||
|
||
### 数学实例
|
||
scipy.linalg.solve特征为未知的x，y值求解线性方程a * x + b * y = Z。
|
||
作为一个例子，假设需要解下面的联立方程。
|
||
```
|
||
x+3y+5z=10
|
||
2x+5y+z=8
|
||
2x+3y+8z=3
|
||
```
|
||
要求解x，y，z值的上述方程式，可以使用矩阵求逆来求解向量，如下所示。
|
||
$$
|
||
A[x,y,z]^T=[10,8,3]^T\\
|
||
[x,y,z]^T=A^{-1}[10,8,3]^T
|
||
$$
|
||
|
||
### 编程实现
|
||
但是，最好使用linalg.solve命令，该命令可以更快，更稳定。求解函数采用两个输入'a'和'b'，其中'a'表示系数，'b'表示相应的右侧值并返回解矩阵。
|
||
```py
|
||
#importing the scipy and numpy packages
|
||
from scipy import linalg
|
||
import numpy as np
|
||
|
||
#Declaring the numpy arrays
|
||
a = np.array([[3, 2, 0], [1, -1, 0], [0, 5, 1]])
|
||
b = np.array([2, 4, -1])
|
||
|
||
#Passing the values to the solve function
|
||
x = linalg.solve(a, b)
|
||
|
||
#printing the result array
|
||
print (x)
|
||
```
|
||
执行上面示例代码，得到以下结果
|
||
```py
|
||
[ 2. -2. 9.]
|
||
```
|
||
|
||
|
||
## 行列式
|
||
|
||
|
||
方阵A的行列式通常表示为| A |并且是线性代数中经常使用的量。 在SciPy中，这是使用det()函数计算的。 它将矩阵作为输入并返回一个标量值。
|
||
```py
|
||
#importing the scipy and numpy packages
|
||
from scipy import linalg
|
||
import numpy as np
|
||
|
||
#Declaring the numpy array
|
||
A = np.array([[1,2],[3,4]])
|
||
|
||
#Passing the values to the det function
|
||
x = linalg.det(A)
|
||
|
||
#printing the result
|
||
print (x)
|
||
|
||
# 执行上面示例代码，得到以下结果 -
|
||
-2.0
|
||
```
|
||
|
||
## 特征值和特征向量特征值
|
||
|
||
特征向量问题是最常用的线性代数运算之一。 我们可以通过考虑以下关系式来找到方阵(A)的特征值(λ)和相应的特征向量(v)
|
||
```
|
||
Av = λv
|
||
```
|
||
scipy.linalg.eig从普通或广义特征值问题计算特征值。 该函数返回特征值和特征向量。
|
||
```py
|
||
#importing the scipy and numpy packages
|
||
from scipy import linalg
|
||
import numpy as np
|
||
|
||
#Declaring the numpy array
|
||
A = np.array([[1,2],[3,4]])
|
||
|
||
#Passing the values to the eig function
|
||
l, v = linalg.eig(A)
|
||
|
||
#printing the result for eigen values
|
||
print (l)
|
||
|
||
#printing the result for eigen vectors
|
||
print (v)
|
||
```
|
||
执行上面示例代码，得到以下结果 -
|
||
```
|
||
[-0.37228132+0.j 5.37228132+0.j]
|
||
[[-0.82456484 -0.41597356]
|
||
[ 0.56576746 -0.90937671]]
|
||
```
|
||
|
||
## 奇异值分解奇异值分解(SVD)
|
||
|
||
可以被认为是特征值问题扩展到非矩阵的矩阵。
|
||
scipy.linalg.svd将矩阵'a'分解为两个酉矩阵'U'和'Vh'，以及一个奇异值(实数，非负)的一维数组's'，使得a == U * S * Vh，其中'S'是具有主对角线's'的适当形状的零点矩阵。
|
||
|
||
```py
|
||
#importing the scipy and numpy packages
|
||
from scipy import linalg
|
||
import numpy as np
|
||
|
||
#Declaring the numpy array
|
||
a = np.random.randn(3, 2) + 1.j*np.random.randn(3, 2)
|
||
|
||
#Passing the values to the eig function
|
||
U, s, Vh = linalg.svd(a)
|
||
|
||
# printing the result
|
||
print (U, Vh, s)
|
||
|
||
# 执行上面示例代码，得到以下结果 -
|
||
[[-0.60142679+0.28212127j 0.35719830-0.03260559j 0.61548126-0.22632383j]
|
||
[-0.00477296+0.44250532j 0.64058557+0.15734719j -0.40414313+0.45357092j]
|
||
[ 0.46360086+0.38462177j -0.18611686+0.6337182j 0.44311251+0.06747886j]] [[ 0.98724353+0.j -0.01113675+0.15882756j]
|
||
[-0.15921753+0.j -0.06905445+0.9848255j ]] [ 2.04228408 1.33798044]
|
||
|
||
```
|
||
|
||
|