Algèbre linéaire NumPy
NumPy fournit une bibliothèque de fonctions d'algèbre linéairelinalg, qui contient toutes les fonctions nécessaires à l'algèbre linéaire. Vous pouvez voir la description ci-dessous :
| Fonction | Description |
|---|---|
dot |
Produit scalaire de deux tableaux, c'est-à-dire que les éléments correspondants sont multipliés. |
vdot |
Produit scalaire de deux vecteurs |
inner |
Produit scalaire de deux tableaux |
matmul |
Produit matriciel de deux tableaux |
determinant |
Déterminant d'un tableau |
solve |
Résoudre des équations matricielles linéaires |
inv |
Calculer l'inverse multiplicatif d'une matrice |
numpy.dot()
numpy.dot() Pour deux tableaux unidimensionnels, il calcule la somme des produits des éléments aux indices correspondants des deux tableaux (mathématiquement appelée produit scalaire de vecteurs) ; pour deux tableaux bidimensionnels, il calcule le produit matriciel des deux tableaux ; pour des tableaux multidimensionnels, sa formule de calcul générale est la suivante, c'est-à-dire que chaque élément du tableau résultant est : la somme des produits de tous les éléments de la dernière dimension du tableau a et de tous les éléments de l'avant-dernière dimension du tableau b :dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
numpy.dot(a, b, out=None)
Description du paramètre :
- a: tableau ndarray
- b: tableau ndarray
- out: ndarray, optionnel, utilisé pour stocker le résultat du calcul de dot()
Exemple
Le résultat de sortie est:
[[37 40] [85 92]]
La formule de calcul est :
[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
numpy.vdot()
La fonction numpy.vdot() est le produit scalaire de deux vecteurs. Si le premier argument est un nombre complexe, son conjugué complexe est utilisé pour le calcul. Si l'argument est un tableau multidimensionnel, il est aplati.
Exemple
Le résultat de sortie est:
130
La formule de calcul est :
1*11 + 2*12 + 3*13 + 4*14 = 130
numpy.inner()
La fonction numpy.inner() renvoie le produit scalaire de vecteurs pour des tableaux unidimensionnels. Pour les dimensions supérieures, elle renvoie la somme des produits sur les derniers axes.
Exemple
Le résultat de sortie est:
2
Exemple de tableau multidimensionnel
Le résultat de sortie est:
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 formule de calcul du produit scalaire est :
1*11+2*12, 1*13+2*14 3*11+4*12, 3*13+4*14
numpy.matmul
La fonction numpy.matmul renvoie le produit matriciel de deux tableaux. Bien qu'elle renvoie le produit normal de tableaux bidimensionnels, si l'un des arguments a une dimension supérieure à 2, il est traité comme une pile de matrices existant dans les deux derniers indices, et la diffusion est effectuée en conséquence.
En revanche, si l'un des arguments est un tableau unidimensionnel, il est promu en matrice en ajoutant 1 à ses dimensions, puis il est supprimé après la multiplication.
Pour les tableaux bidimensionnels, il s'agit d'une multiplication matricielle :
Exemple
Le résultat de sortie est:
[[4 1] [2 2]]
Opérations bidimensionnelles et unidimensionnelles :
Exemple
Le résultat de sortie est:
[1 2] [1 2]
Tableaux dont les dimensions sont supérieures à deux :
Exemple
Le résultat de sortie est:
[[[ 2 3] [ 6 11]] [[10 19] [14 27]]]
numpy.linalg.det()
La fonction numpy.linalg.det() calcule le déterminant de la matrice d'entrée.
Le déterminant est une valeur très utile en algèbre linéaire. Il est calculé à partir des éléments diagonaux d'une matrice carrée. Pour une matrice 2×2, c'est la différence entre le produit des éléments en haut à gauche et en bas à droite et le produit des deux autres.
Autrement dit, pour la matrice [[a, b], [c, d]], le déterminant est calculé comme ad-bc. Les matrices carrées plus grandes sont considérées comme des combinaisons de matrices 2×2.
Exemple
Le résultat de sortie est:
-2.0
Exemple
Le résultat de sortie est:
[[ 6 1 1] [ 4 -2 5] [ 2 8 7]] -306.0 -306
numpy.linalg.solve()
La fonction numpy.linalg.solve() donne la solution d'équations linéaires sous forme matricielle.
Considérez les équations linéaires suivantes :
x + y + z = 6 2y + 5z = -4 2x + 5y - z = 27
Cela peut être exprimé sous forme matricielle comme suit :

Si les matrices sont A, X et B, l'équation devient :
AX = B 或 X = A^(-1)B
numpy.linalg.inv()
La fonction numpy.linalg.inv() calcule l'inverse multiplicatif d'une matrice.
Matrice inverse: Supposons que A soit une matrice d'ordre n sur un corps. S'il existe une autre matrice B d'ordre n sur le même corps telle que : AB=BA=E, alors on appelle B la matrice inverse de A, et A est appelée une matrice inversible. Remarque : E est la matrice identité.
Exemple
Le résultat de sortie est:
[[1 2] [3 4]] [[-2. 1. ] [ 1.5 -0.5]] [[1.0000000e+00 0.0000000e+00] [8.8817842e-16 1.0000000e+00]]
Maintenant, créez la matrice inverse de la matrice A :
Exemple
Le résultat de sortie est:
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.]]
Le résultat peut également être obtenu à l'aide de la fonction suivante :
x = np.dot(ainv,b)Autres extensions