这篇文章主要介绍“NumPy矩阵向量线性代数的操作方法有哪些”，在日常操作中，相信很多人在NumPy矩阵向量线性代数的操作方法有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”NumPy矩阵向量线性代数的操作方法有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
NumPy矩阵和向量
矩阵
在NumPy中，矩阵可以看作是一个二维数组，其中每个元素都可以通过行列坐标来定位。它表示为一个m×n的矩形网格，其中m表示矩阵的行数，n表示矩阵的列数。在计算机科学中，矩阵通常用数字或符号表示，并且可以进行加、减、乘等运算。
一个
M X N的矩阵是一个由
M行（row）
N列（column）元素排列成的矩形阵列。矩阵里的元素可以是数字、符号或数学式。
以下是一个由 6 个数字元素构成的 2 行 3 列的矩阵：
[1 2 3] [4 5 6]
注意：2×3矩阵即2行3列，请把左、右两边的多个[与多个]看成一个整体[]
向量
在 NumPy 中，向量是一维数组对象，其所有元素都必须具有相同的数据类型。向量可以通过创建一个一维数组来实现。
向量是一种特殊的矩阵，其中只包含一行或一列元素。向量通常用数字或符号表示，其大小表示向量包含的元素数量。
创建一个包含五个元素的向量：
import numpy as np v = np.array([1, 2, 3, 4, 5])
创建向量
import numpy as np # 创建一维数组 v = np.array([1, 2, 3]) print(v) # 输出：[1 2 3]
创建矩阵
import numpy as np # 创建二维数组 m = np.array([[1, 2, 3], [4, 5, 6]]) print(m) # 输出：[[1 2 3] # [4 5 6]]
访问元素
import numpy as np # 创建一维数组 v = np.array([1, 2, 3]) # 访问元素 print(v[0]) # 输出：1 print(v[1]) # 输出：2 print(v[2]) # 输出：3
转置矩阵
NumPy中除了可以使用numpy.transpose 函数来对换数组的维度，还可以使用 T 属性。
例如有个 m 行 n 列的矩阵，使用 t() 函数就能转换为 n 行 m 列的矩阵。
import numpy as np # 创建矩阵 A = np.array([[1, 2], [3, 4]]) # 转置矩阵 AT = np.transpose(A) print(AT) # 输出：[[1 3] # [2 4]] print (A.T)
矩阵加减乘除
# 矩阵加法 np.add(A, B) # 矩阵减法 np.subtract(A, B) # 矩阵乘法 # 在进行矩阵乘法时，前一个矩阵的列数必须等于后一个矩阵的行数，才能进行乘法运算 # (M行, N列)*(N行, L列) = (M行, L列) p.dot(A, B) # 矩阵除法 np.divide(A, B)
import numpy as np
# 创建矩阵A和B
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print("A + B:")
print(np.add(A, B))
[1, 2] [5, 6] [6, 8]
+ =
[3, 4] [7, 8] [10, 12]
print("A - B:")
print(np.subtract(A, B))
[1, 2] [5, 6] [-4, -4]
- =
[3, 4] [7, 8] [-4, -4]
print("A * B:")
print(np.dot(A, B))
[1, 2] [5, 6] [19, 22]
* =
[3, 4] [7, 8] [43, 50]
print("A / B:")
print(np.divide(A, B))
[1, 2] [5, 6] [0.2, 0.33333333]
/ =
[3, 4] [7, 8] [0.42857143, 0.5]矩阵和矩阵(向量)相乘：
(M行, N列)*(N行, L列) = (M行, L列)
矩阵向量乘法
m×n 的矩阵乘以 n×1 的向量，得到的是 m×1 的向量
[1, 2] [1] [19]
* =
[3, 4] [1] [43]矩阵求逆
使用numpy.linalg.inv()函数进行矩阵求逆操作
import numpy as np # 创建矩阵 matrix = np.array([[1, 2], [3, 4]]) # 求逆矩阵 result = np.linalg.inv(matrix) print(result)
矩阵的迹
使用numpy.trace()函数可以计算矩阵的迹
import numpy as np # 创建矩阵 matrix = np.array([[1, 2], [3, 4]]) # 计算矩阵的迹 result = np.trace(matrix) print(result)
向量点积
使用numpy.dot()函数进行向量点积操作
import numpy as np # 创建两个向量 vector1 = np.array([1, 2]) vector2 = np.array([3, 4]) # 向量点积 result = np.dot(vector1, vector2) print(result)
向量范数
使用numpy.linalg.norm()函数可以计算向量的范数
import numpy as np # 创建向量 vector = np.array([1, 2, 3]) # 计算向量的L2范数 result = np.linalg.norm(vector) print(result)
NumPy线性代数
NumPy的线性代数模块（numpy.linalg）提供了许多矩阵运算函数，如矩阵乘法、求逆、行列式、特征值等，该库包含了线性代数所需的所有功能。
常用的 NumPy 线性代数函数：
| 函数 | 说明 |
|---|---|
| np.dot(a, b)： | 两个数组的点积，即元素对应相乘 |
| np.matmul(a, b) | 两个数组的矩阵积 |
| np.linalg.inv(a) | 计算矩阵的逆 |
| np.linalg.det(a) | 计算矩阵的行列式 |
| np.linalg.eig(a) | 计算矩阵的特征值和特征向量 |
| np.linalg.solve(a, b) | 解线性方程组 ax=b |
计算矩阵乘积
import numpy as np a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) print(np.dot(a, b)) # [[19 22] # [43 50]]
计算矩阵的逆
import numpy as np a = np.array([[1, 2], [3, 4]]) print(np.linalg.inv(a)) # [[-2. 1. ] # [ 1.5 -0.5]]
解线性方程组
import numpy as np a = np.array([[2, 3], [4, 5]]) b = np.array([5, 6]) x = np.linalg.solve(a, b) print(x) # [-4. 5.]
解得的线性方程组如下，其解为x1=−4，x2=5