Álgebra lineal de NumPy

NumPy proporciona una biblioteca de funciones de álgebra lineal,linalgque contiene todas las funciones necesarias para el álgebra lineal. Puedes ver la siguiente descripción:

Función Descripción
dot Producto punto de dos arrays, es decir, multiplicar los elementos correspondientes.
vdot Producto punto de dos vectores
inner Producto interno de dos arrays
matmul Producto matricial de dos arrays
determinant Determinante de un array
solve Resuelve ecuaciones matriciales lineales
inv Calcula la matriz inversa multiplicativa de una matriz

numpy.dot()

numpy.dot() Para dos arrays unidimensionales, calcula la suma de los productos de los elementos de índices correspondientes (matemáticamente denominado producto punto de vectores); para arrays bidimensionales, calcula el producto matricial de los dos arrays; para arrays multidimensionales, su fórmula de cálculo general es la siguiente: cada elemento del array resultante es la suma de los productos de todos los elementos en la última dimensión del array a y todos los elementos en la penúltima dimensión del array b:dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。

numpy.dot(a, b, out=None) 

Descripción de parámetros:

  • a: ndarray array
  • b: ndarray array
  • out: ndarray, opcional, se usa para almacenar el resultado del cálculo de dot()

Ejemplo

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))

El resultado de salida es:

[[37  40] 
 [85  92]]

La fórmula de cálculo es:

[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]

numpy.vdot()

La función numpy.vdot() es el producto punto de dos vectores. Si el primer parámetro es un número complejo, se utiliza su complejo conjugado para el cálculo. Si el parámetro es un array multidimensional, se aplana.

Ejemplo

import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) # vdot aplana los arrays para calcular el producto interno print (np.vdot(a,b))

El resultado de salida es:

130

La fórmula de cálculo es:

1*11 + 2*12 + 3*13 + 4*14 = 130

numpy.inner()

La función numpy.inner() devuelve el producto interno de vectores para arrays unidimensionales. Para dimensiones superiores, devuelve la suma de productos en el último eje.

Ejemplo

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

El resultado de salida es:

2

Ejemplo de array multidimensional

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 ('Producto interno:') print (np.inner(a,b))

El resultado de salida es:

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]]

La fórmula de cálculo del producto interno es:

1*11+2*12, 1*13+2*14 
3*11+4*12, 3*13+4*14

numpy.matmul

La función numpy.matmul devuelve el producto matricial de dos arrays. Aunque devuelve el producto normal para arrays bidimensionales, si la dimensión de cualquiera de los parámetros es mayor que 2, se tratará como una pila de matrices en los últimos dos índices y se realizará la difusión correspondiente.

Por otro lado, si cualquiera de los parámetros es un array unidimensional, se promociona a matriz añadiendo un 1 a su dimensión, y se elimina después de la multiplicación.

Para arrays bidimensionales, es simplemente la multiplicación de matrices:

Ejemplo

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

El resultado de salida es:

[[4  1] 
 [2  2]]

Operación bidimensional y unidimensional:

Ejemplo

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))

El resultado de salida es:

[1  2] 
[1  2]

Array de dimensión mayor que dos:

Ejemplo

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))

El resultado de salida es:

[[[ 2  3]
  [ 6 11]]

 [[10 19]
  [14 27]]]

numpy.linalg.det()

La función numpy.linalg.det() calcula el determinante de la matriz de entrada.

El determinante es un valor muy útil en álgebra lineal. Se calcula a partir de los elementos diagonales de una matriz cuadrada. Para una matriz de 2×2, es la diferencia entre el producto de los elementos superior izquierdo e inferior derecho y el producto de los otros dos.

En otras palabras, para la matriz [[a, b], [c, d]], el determinante se calcula como ad-bc. Las matrices cuadradas más grandes se consideran combinaciones de matrices de 2×2.

Ejemplo

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

El resultado de salida es:

-2.0

Ejemplo

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))

El resultado de salida es:

[[ 6  1  1]
 [ 4 -2  5]
 [ 2  8  7]]
-306.0
-306

numpy.linalg.solve()

La función numpy.linalg.solve() da la solución de una ecuación lineal en forma matricial.

Considere las siguientes ecuaciones lineales:

x + y + z = 6

2y + 5z = -4

2x + 5y - z = 27

Se pueden representar matricialmente como:

Si las matrices son A, X y B, la ecuación se convierte en:

AX = B

或

X = A^(-1)B

numpy.linalg.inv()

La función numpy.linalg.inv() calcula la matriz inversa multiplicativa de una matriz.

Matriz inversa (inverse matrix): Sea A una matriz de orden n sobre un campo numérico. Si existe otra matriz B de orden n en el mismo campo tal que: AB=BA=E, entonces decimos que B es la matriz inversa de A, y A se denomina matriz invertible. Nota: E es la matriz identidad.

Ejemplo

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))

El resultado de salida es:

[[1 2]
 [3 4]]
[[-2.   1. ]
 [ 1.5 -0.5]]
[[1.0000000e+00 0.0000000e+00]
 [8.8817842e-16 1.0000000e+00]]

Ahora cree la matriz inversa de una matriz A:

Ejemplo

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 ('La inversa de a:') print (ainv) print ('Matriz b:') b = np.array([[6],[-4],[27]]) print (b) print ('Cálculo: A^(-1)B:') x = np.linalg.solve(a,b) print (x) # Esta es la solución de las ecuaciones lineales x = 5, y = 3, z = -2

El resultado de salida es:

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.]]

El resultado también se puede obtener con la siguiente función:

x = np.dot(ainv,b)
Otras extensiones