Линейная алгебра в NumPy

NumPy предоставляет библиотеку функций линейной алгебрыlinalg, которая содержит все функции, необходимые для линейной алгебры. Описание можно посмотреть ниже:

Функция Описание
dot Скалярное произведение двух массивов, то есть соответствующие элементы перемножаются.
vdot Скалярное произведение двух векторов
inner Скалярное произведение двух массивов
matmul Матричное произведение двух массивов
determinant Определитель массива
solve Решение линейных матричных уравнений
inv Вычисление обратной матрицы

numpy.dot()

numpy.dot() Для двух одномерных массивов вычисляет сумму произведений элементов с соответствующими индексами двух массивов (математически это называется скалярным произведением векторов); для двумерных массивов вычисляет матричное произведение двух массивов; для многомерных массивов его общая формула вычисления выглядит следующим образом, то есть каждый элемент в результирующем массиве — это: сумма произведений всех элементов по последнему измерению массива a и всех элементов по предпоследнему измерению массива b:dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。

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

Описание параметра:

  • a: массив ndarray
  • b: массив ndarray
  • out: ndarray, необязательный, используется для хранения результата вычисления dot()

Пример

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))

Результат вывода:

[[37  40] 
 [85  92]]

Формула вычисления:

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

numpy.vdot()

Функция numpy.vdot() вычисляет скалярное произведение двух векторов. Если первый аргумент — комплексное число, для вычисления используется его комплексно-сопряжённое значение. Если аргумент — многомерный массив, он преобразуется в плоский массив.

Пример

import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) # vdot уплощает массивы и вычисляет внутреннее произведение print (np.vdot(a,b))

Результат вывода:

130

Формула вычисления:

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

numpy.inner()

Функция numpy.inner() возвращает внутреннее произведение одномерных массивов. Для более высоких размерностей она возвращает сумму произведений по последним осям.

Пример

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

Результат вывода:

2

Пример многомерного массива

import numpy as np a = np.array([[1,2], [3,4]]) print ('Массив a:') print (a) b = np.array([[11, 12], [13, 14]]) print ('Массив b:') print (b) print ('Скалярное произведение:') print (np.внутренний(a,b))

Результат вывода:

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]]

Формула вычисления скалярного произведения:

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

numpy.matmul

Функция numpy.matmul возвращает матричное произведение двух массивов. Хотя она возвращает обычное произведение двумерных массивов, если любой из аргументов имеет размерность больше 2, он рассматривается как стек матриц, расположенных в последних двух индексах, и соответствующим образом выполняется broadcasting.

С другой стороны, если любой из аргументов является одномерным массивом, он повышается до матрицы путём добавления 1 к его размерностям, а после умножения удаляется.

Для двумерных массивов это матричное умножение:

Пример

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

Результат вывода:

[[4  1] 
 [2  2]]

Операции с двумерными и одномерными массивами:

Пример

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))

Результат вывода:

[1  2] 
[1  2]

Массивы с размерностью больше двух:

Пример

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))

Результат вывода:

[[[ 2  3]
  [ 6 11]]

 [[10 19]
  [14 27]]]

numpy.linalg.det()

Функция numpy.linalg.det() вычисляет определитель входной матрицы.

Определитель — очень полезная величина в линейной алгебре. Он вычисляется по диагональным элементам квадратной матрицы. Для матрицы 2×2 он представляет собой разность между произведением верхнего левого и нижнего правого элементов и произведением двух других.

Иными словами, для матрицы [[a, b], [c, d]] определитель вычисляется как ad-bc. Большие квадратные матрицы рассматриваются как комбинации матриц 2×2.

Пример

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

Результат вывода:

-2.0

Пример

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))

Результат вывода:

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

numpy.linalg.solve()

Функция numpy.linalg.solve() даёт решение системы линейных уравнений в матричной форме.

Рассмотрим следующую систему линейных уравнений:

x + y + z = 6

2y + 5z = -4

2x + 5y - z = 27

Её можно выразить в матричной форме следующим образом:

Если матрицы — это A, X и B, уравнение принимает вид:

AX = B

或

X = A^(-1)B

numpy.linalg.inv()

Функция numpy.linalg.inv() вычисляет обратную матрицу.

Обратная матрица: Предположим, A — матрица порядка n над числовым полем. Если существует другая матрица B порядка n над тем же числовым полем, такая что: AB=BA=E, то B называется обратной матрицей для A, а A называется обратимой матрицей. Примечание: E — единичная матрица.

Пример

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))

Результат вывода:

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

Теперь создайте обратную матрицу матрицы A:

Пример

import numpy as np a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) print ('Массив a:') print (a) ainv = np.linalg.inv(a) print ('Обратная к a:') print (ainv) print ('Матрица b:') b = np.array([[6],[-4],[27]]) print (b) print ('Вычислить: A^(-1)B:') x = np.linalg.solve(a,b) print (x) # Это решение системы линейных уравнений x = 5, y = 3, z = -2

Результат вывода:

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.]]

Результат также можно получить с помощью следующей функции:

x = np.dot(ainv,b)
Другие расширения