Lineare Algebra in NumPy
NumPy bietet eine Funktionsbibliothek für lineare Algebralinalg, die alle für die lineare Algebra erforderlichen Funktionen enthält. Eine Beschreibung finden Sie unten:
| Funktion | Beschreibung |
|---|---|
dot |
Skalarprodukt zweier Arrays, d. h., die entsprechenden Elemente werden multipliziert. |
vdot |
Skalarprodukt zweier Vektoren |
inner |
Inneres Produkt zweier Arrays |
matmul |
Matrixprodukt zweier Arrays |
determinant |
Determinante eines Arrays |
solve |
Lineare Matrixgleichungen lösen |
inv |
Berechne die multiplikative Inverse einer Matrix |
numpy.dot()
numpy.dot() Für zwei eindimensionale Arrays berechnet es die Summe der Produkte der Elemente an den entsprechenden Indizes der beiden Arrays (mathematisch als Vektor-Skalarprodukt bezeichnet); für zweidimensionale Arrays berechnet es das Matrixprodukt der beiden Arrays; für mehrdimensionale Arrays lautet seine allgemeine Berechnungsformel wie folgt, d.h. jedes Element im resultierenden Array ist: die Summe der Produkte aller Elemente auf der letzten Dimension von Array a und aller Elemente auf der vorletzten Dimension von Array b:dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
numpy.dot(a, b, out=None)
Parameter description:
- a: ndarray-Array
- b: ndarray-Array
- out: ndarray, optional, wird verwendet, um das Berechnungsergebnis von dot() zu speichern
Beispiel
Das Ausgabeergebnis ist:
[[37 40] [85 92]]
Die Berechnungsformel lautet:
[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
numpy.vdot()
Die Funktion numpy.vdot() ist das Skalarprodukt zweier Vektoren. Wenn das erste Argument eine komplexe Zahl ist, wird für die Berechnung ihr komplexes Konjugat verwendet. Wenn das Argument ein mehrdimensionales Array ist, wird es abgeflacht.
Beispiel
Das Ausgabeergebnis ist:
130
Die Berechnungsformel lautet:
1*11 + 2*12 + 3*13 + 4*14 = 130
numpy.inner()
Die Funktion numpy.inner() gibt das Vektor-Innenprodukt von eindimensionalen Arrays zurück. Für höhere Dimensionen gibt sie das Summenprodukt über die letzten Achsen zurück.
Beispiel
Das Ausgabeergebnis ist:
2
Beispiel für ein mehrdimensionales Array
Das Ausgabeergebnis ist:
数组 a: [[1 2] [3 4]] 数组 b: [[11 12] [13 14]] 内积: [[35 41] [81 95]] 数组 a: [[1 2] [3 4]] 数组 b: [[11 12] [13 14]] 内积: [[35 41] [81 95]]
Die Berechnungsformel für das innere Produkt lautet:
1*11+2*12, 1*13+2*14 3*11+4*12, 3*13+4*14
numpy.matmul
Die Funktion numpy.matmul gibt das Matrixprodukt zweier Arrays zurück. Obwohl sie das normale Produkt zweidimensionaler Arrays zurückgibt, wird, wenn eines der Argumente eine Dimension größer als 2 hat, es als ein Stapel von Matrizen behandelt, die in den letzten beiden Indizes vorliegen, und Broadcasting wird entsprechend durchgeführt.
Andererseits wird, wenn eines der Argumente ein eindimensionales Array ist, es zu einer Matrix heraufgestuft, indem seinen Dimensionen 1 hinzugefügt wird, und nach der Multiplikation wieder entfernt.
Für zweidimensionale Arrays ist es die Matrixmultiplikation:
Beispiel
Das Ausgabeergebnis ist:
[[4 1] [2 2]]
Zweidimensionale und eindimensionale Operationen:
Beispiel
Das Ausgabeergebnis ist:
[1 2] [1 2]
Arrays mit Dimensionen größer als zwei:
Beispiel
Das Ausgabeergebnis ist:
[[[ 2 3] [ 6 11]] [[10 19] [14 27]]]
numpy.linalg.det()
Die Funktion numpy.linalg.det() berechnet die Determinante der Eingabematrix.
Die Determinante ist ein sehr nützlicher Wert in der linearen Algebra. Sie wird aus den Diagonalelementen einer quadratischen Matrix berechnet. Für eine 2×2-Matrix ist sie die Differenz zwischen dem Produkt der Elemente oben links und unten rechts und dem Produkt der beiden anderen.
Mit anderen Worten, für die Matrix [[a, b], [c, d]] wird die Determinante als ad-bc berechnet. Größere quadratische Matrizen werden als Kombinationen von 2×2-Matrizen betrachtet.
Beispiel
Das Ausgabeergebnis ist:
-2.0
Beispiel
Das Ausgabeergebnis ist:
[[ 6 1 1] [ 4 -2 5] [ 2 8 7]] -306.0 -306
numpy.linalg.solve()
Die Funktion numpy.linalg.solve() liefert die Lösung linearer Gleichungen in Matrixform.
Betrachten Sie die folgenden linearen Gleichungen:
x + y + z = 6 2y + 5z = -4 2x + 5y - z = 27
Sie kann in Matrixform ausgedrückt werden als:

Für die Matrizen A, X und B wird die Gleichung zu:
AX = B 或 X = A^(-1)B
numpy.linalg.inv()
Die Funktion numpy.linalg.inv() berechnet die multiplikative Inverse einer Matrix.
Inverse Matrix: Angenommen, A ist eine Matrix n-ter Ordnung über einem Zahlenkörper. Wenn es eine weitere Matrix B n-ter Ordnung über demselben Zahlenkörper gibt, sodass AB=BA=E gilt, dann nennen wir B die inverse Matrix von A, und A heißt invertierbare Matrix. Hinweis: E ist die Einheitsmatrix.
Beispiel
Das Ausgabeergebnis ist:
[[1 2] [3 4]] [[-2. 1. ] [ 1.5 -0.5]] [[1.0000000e+00 0.0000000e+00] [8.8817842e-16 1.0000000e+00]]
Erstellen Sie nun die inverse Matrix von Matrix A:
Beispiel
Das Ausgabeergebnis ist:
数组 a: [[ 1 1 1] [ 0 2 5] [ 2 5 -1]] a 的逆: [[ 1.28571429 -0.28571429 -0.14285714] [-0.47619048 0.14285714 0.23809524] [ 0.19047619 0.14285714 -0.0952381 ]] 矩阵 b: [[ 6] [-4] [27]] 计算:A^(-1)B: [[ 5.] [ 3.] [-2.]]
Das Ergebnis kann auch mit der folgenden Funktion erhalten werden:
x = np.dot(ainv,b)Weitere Erweiterungen