問題

你需要執(zhí)行矩陣和線性代數(shù)運(yùn)算，比如矩陣乘法、尋找行列式、求解線性方程組等等。

解決方案

NumPy 庫有一個(gè)矩陣對(duì)象可以用來解決這個(gè)問題。矩陣類似于3.9小節(jié)中數(shù)組對(duì)象，但是遵循線性代數(shù)的計(jì)算規(guī)則。下面的一個(gè)例子展示了矩陣的一些基本特性：

>>> import numpy as np>>> m = np.matrix([[1,-2,3],[0,4,5],[7,8,-9]])>>> mmatrix([[ 1, -2, 3], [ 0, 4, 5], [ 7, 8, -9]])>>> # Return transpose>>> m.Tmatrix([[ 1, 0, 7], [-2, 4, 8], [ 3, 5, -9]])>>> # Return inverse>>> m.Imatrix([[ 0.33043478, -0.02608696, 0.09565217], [-0.15217391, 0.13043478, 0.02173913], [ 0.12173913, 0.09565217, -0.0173913 ]])>>> # Create a vector and multiply>>> v = np.matrix([[2],[3],[4]])>>> vmatrix([[2], [3], [4]])>>> m * vmatrix([[ 8], [32], [ 2]])>>>

可以在 numpy.linalg 子包中找到更多的操作函數(shù)，比如：

>>> import numpy.linalg>>> # Determinant>>> numpy.linalg.det(m)-229.99999999999983>>> # Eigenvalues>>> numpy.linalg.eigvals(m)array([-13.11474312, 2.75956154, 6.35518158])>>> # Solve for x in mx = v>>> x = numpy.linalg.solve(m, v)>>> xmatrix([[ 0.96521739], [ 0.17391304], [ 0.46086957]])>>> m * xmatrix([[ 2.], [ 3.], [ 4.]])>>> vmatrix([[2], [3], [4]])>>>

討論

很顯然線性代數(shù)是個(gè)非常大的主題，已經(jīng)超出了本書能討論的范圍。 但是，如果你需要操作數(shù)組和向量的話， NumPy 是一個(gè)不錯(cuò)的入口點(diǎn)。 可以訪問 NumPy 官網(wǎng) http://www.numpy.org 獲取更多信息。

以上就是Python 執(zhí)行矩陣與線性代數(shù)運(yùn)算的詳細(xì)內(nèi)容，更多關(guān)于Python 矩陣與線性代數(shù)運(yùn)算的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！