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

import numpy.matlib import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) print(np.dot(a,b))

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

import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) # vdot flacht die Arrays ab und berechnet das innere Produkt print (np.vdot(a,b))

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

import numpy as np print (np.inner(np.array([1,2,3]),np.array([0,1,0]))) # Äquivalent zu 1*0+2*1+3*0

Das Ausgabeergebnis ist:

2

Beispiel für ein mehrdimensionales Array

import numpy as np a = np.array([[1,2], [3,4]]) print ('Array a:') print (a) b = np.array([[11, 12], [13, 14]]) print ('Array b:') print (b) print ('Inneres Produkt:') print (np.innere(a,b))

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

import numpy.matlib import numpy as np a = [[1,0],[0,1]] b = [[4,1],[2,2]] print (np.matmul(a,b))

Das Ausgabeergebnis ist:

[[4  1] 
 [2  2]]

Zweidimensionale und eindimensionale Operationen:

Beispiel

import numpy.matlib import numpy as np a = [[1,0],[0,1]] b = [1,2] print (np.matmul(a,b)) print (np.matmul(b,a))

Das Ausgabeergebnis ist:

[1  2] 
[1  2]

Arrays mit Dimensionen größer als zwei:

Beispiel

import numpy.matlib import numpy as np a = np.arange(8).reshape(2,2,2) b = np.arange(4).reshape(2,2) print (np.matmul(a,b))

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

import numpy as np a = np.array([[1,2], [3,4]]) print (np.linalg.det(a))

Das Ausgabeergebnis ist:

-2.0

Beispiel

import numpy as np b = np.array([[6,1,1], [4, -2, 5], [2,8,7]]) print (b) print (np.linalg.det(b)) print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))

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

import numpy as np x = np.array([[1,2],[3,4]]) y = np.linalg.inv(x) print (x) print (y) print (np.dot(x,y))

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

import numpy as np a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) print ('Array a:') print (a) ainv = np.linalg.inv(a) print ('Inverse von a:') print (ainv) print ('Matrix b:') b = np.array([[6],[-4],[27]]) print (b) print ('Berechnen: A^(-1)B:') x = np.linalg.solve(a,b) print (x) # Dies ist die Lösung der linearen Gleichungen x = 5, y = 3, z = -2

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