numpy.linalg包函式用法集錦(求逆矩陣,求矩陣行列式的值,求特徵值和特徵向量,解方程組)
1.計算逆矩陣
import numpy as np
a = np.array([[1, 2], [3, 4]]) # 建立矩陣
inv = np.linalg.inv(a) # 計算逆矩陣
print('逆矩陣:', inv, '\n')
輸出結果:
逆矩陣: [[-2. 1. ]
[ 1.5 -0.5]]
2.計算特徵值和特徵向量
a = np.array([[1, 2], [3, 4]])
value = np.linalg.eigvals(a) # 求解特徵值
value, vector = np.linalg.eig(a)
print('特徵值:', value)
print('特徵向量=', vector, '\n')
輸出結果:
特徵值: [-0.37228132 5.37228132]
特徵向量= [[-0.82456484 -0.41597356]
[ 0.56576746 -0.90937671]]
3.求解線性方程組Ax = b
A = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0, 8, -9])
x = np.linalg.solve(A, b)
print('方程的解為:', x, '\n')
print(np.dot(A, x) == b) # 驗證解的正確性
輸出結果:
方程的解為: [29. 16. 3.]
[[ True True True]]
4.計算行列式的值
value = np.linalg.det(a)
print("行列式的值:", '{:.0f}'.format(value))
輸出結果:
行列式的值: -2
持續更新中!!!
相關文章
- 機器學習中的矩陣向量求導(五) 矩陣對矩陣的求導機器學習矩陣求導
- 機器學習中的矩陣向量求導(四) 矩陣向量求導鏈式法則機器學習矩陣求導
- 均值、方差、協方差、協方差矩陣、特徵值、特徵向量矩陣特徵
- 向量和矩陣求導公式總結矩陣求導公式
- gauss_jordan法求矩陣的逆矩陣
- 特徵向量/特徵值/協方差矩陣/相關/正交/獨立/主成分分析/PCA/特徵矩陣PCA
- 3D圖形:矩陣的行列式,矩陣的逆、正交矩陣、齊次矩陣3D矩陣
- 【矩陣求導】關於點乘 (哈達瑪積)的矩陣求導矩陣求導點乘
- 矩陣求導公式【轉】矩陣求導公式
- 矩陣求最短路徑矩陣
- 矩陣類及其常規運算(加、減、乘、轉置、求逆、行列式、代數餘子式、伴隨矩陣)矩陣
- python中有關矩陣的建立、求逆、轉置Python矩陣
- 詳細講解矩陣求逆的快速演算法(轉)矩陣演算法
- PTA 7-9 求矩陣每行元素的和矩陣
- 特徵值與特徵向量特徵
- 奇異矩陣,非奇異矩陣,偽逆矩陣矩陣
- 伴隨矩陣和逆矩陣的關係證明矩陣
- 求矩陣中向量兩兩間的歐氏距離(python實現)矩陣Python
- 第三章,矩陣,03-矩陣與行列式矩陣
- JavaScript 陣列排序 與 求最大值JavaScript陣列排序
- IT附加價值矩陣(轉載)矩陣
- JavaScript 專題之如何求陣列的最大值和最小值JavaScript陣列
- 演算法求陣列中的最大值最小值演算法陣列
- 求陣列之和,最小值,最大值,平均值陣列
- 特徵值與特徵向量的幾何含義(轉)特徵
- 關於特徵值和特徵向量的幾何直覺意義特徵
- spark向量、矩陣型別Spark矩陣型別
- 「管理數學基礎」1.7 矩陣理論:方陣特徵值估計、圓盤定理、譜與譜半徑矩陣特徵
- 【OpenCV學習】多通道矩陣的賦值和取值OpenCV矩陣賦值
- MATLAB(6)矩陣和向量運算Matlab矩陣
- 【特徵值 / 特徵向量】- 圖解線性代數 11特徵圖解
- 矩陣和陣列矩陣陣列
- 利用Underscore求陣列的交集、並集和差集陣列
- CUDA版本稀疏矩陣向量乘矩陣
- OpenMP 版本稀疏矩陣向量乘矩陣
- 【陣列】1608. 特殊陣列的特徵值(簡單)陣列特徵
- 生成螺旋矩陣(方陣、矩陣)矩陣
- C語言:求4x4矩陣外圍元素之和C語言矩陣