datawhale_Day4_task09_線性代數

矩陣和向量積

numpy.dot(a, b[, out])計算兩個矩陣的乘積，如果是一維陣列則是它們的內積。

矩陣特徵值與特徵向量

numpy.linalg.eig(a) 計算方陣的特徵值和特徵向量。
numpy.linalg.eigvals(a) 計算方陣的特徵值。

奇異值分解

u, s, v = numpy.linalg.svd(a, full_matrices=True, compute_uv=True, hermitian=False)奇異值分解

QR分解

q,r = numpy.linalg.qr(a, mode=‘reduced’)計算矩陣a的QR分解。

Cholesky分解

矩陣的範數

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False) 計算向量或者矩陣的範數。

方陣的行列式

numpy.linalg.det(a) 計算行列式。

矩陣的秩

numpy.linalg.matrix_rank(M, tol=None, hermitian=False) 返回矩陣的秩

矩陣的跡

numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None) 方陣的跡就是主對角元素之和

逆矩陣（inverse matrix）

numpy.linalg.inv(a) 計算矩陣a的逆矩陣（矩陣可逆的充要條件：det(a) != 0，或者a滿秩）。

求解線性方程組

numpy.linalg.solve(a, b) 求解線性方程組或矩陣方程。