Python -- numpy Matriks Operasi

Python numpy Operasi matriks

Nota: NumPy adalah penerus Numarray dan digunakan sebagai pengganti NumArray. SAGE adalah pakej perisian matematik yang disatukan berdasarkan NumPy dan beberapa alat lain yang bertujuan untuk menggantikan alat seperti Magma, Maple, Mathematica dan Matlab. Hari ini saya ingin mencari maklumat mengenai NumPy di internet, dan saya cuba mencari matriks terbalik dengan NumPy, tetapi saya tidak dapat mencari apa-apa maklumat dalam bahasa Cina, ada pengguna di forum yang meminta saya bagaimana untuk membuat matriks dengan python. Saya meminta matriks terbalik, tetapi tidak ada yang menjawab.

• Objek matriks 1.

  Jenis matriks mewarisi jenis ndarray dan oleh itu mengandungi semua sifat dan kaedah data ndarray. Jenis matriks mempunyai enam perbezaan penting dari jenis ndarray, yang menyebabkan hasil yang tidak dijangka apabila anda mengoperasikan objek Matrix sebagai array.

  • 1) Objek matriks boleh dicipta dengan menggunakan senar gaya Matlab, iaitu senar yang dipisahkan dengan baris ruang dan dipisahkan dengan digit.

  • 2) Objek matriks sentiasa dua dimensi. Ini mempunyai kesan yang mendalam, contohnya nilai pulangan m.ravel (() adalah dua dimensi, nilai pulangan yang dipilih oleh ahli juga dua dimensi, oleh itu tingkah laku deret akan berbeza secara esensial daripada array.

  • 3) Perkalian jenis matriks meliputi perkalian array, menggunakan operasi perkalian matriks. Apabila anda menerima nilai pulangan matriks, pastikan anda sudah memahami maksud fungsi tersebut. Khususnya, hakikatnya fungsi asanarray ((m) akan mengembalikan matriks jika ia adalah mmatriks.

  • 4) Operasi array jenis matriks juga merangkumi operasi array sebelumnya, menggunakan array matriks. Berdasarkan fakta ini, ingatkan lagi, jika menggunakan array matriks sebagai parameter untuk memanggil asanarray[...] sama seperti di atas.

  • 5) Matriks dengan keutamaan array_priority adalah 10.0, oleh itu operasi campuran narray dan objek matriks sentiasa mengembalikan matriks.

  • 6) Matriks mempunyai beberapa sifat khas yang menjadikan pengiraan lebih mudah, iaitu:

    • (a).T -- Kembali ke perpindahan sendiri

    • (b).H - Kembali ke perpindahan resonansi sendiri

    • ©.I -- Kembali ke matriks terbalik sendiri

    • (d).A -- satu pandangan array 2 dimensi yang mengembalikan data sendiri (tidak membuat sebarang salinan)

      Kelas matrix adalah sub kelas Python dari ndarray, dan anda juga boleh mempelajari pelaksanaan ini untuk membina sub kelas ndarray anda sendiri. Objek matrix juga boleh dibina dengan objek matrix lain, kata-kata, senar, atau lain-lain yang boleh ditukar menjadi parameter dari ndarray. Di NumPy, mat mat adalah nama lain untuk matrix mat.

• Contoh 1: Membina matriks menggunakan senar

  import numpy as np
  a=np.mat('1 2 3; 4 5 3')
  print (a*a.T).I
  [[ 0.29239766 -0.13450292]
  [-0.13450292  0.08187135]]
  

• Contoh 2: Membina matriks menggunakan siri susun

  np.matrix([[  1.+0.j,   5.+0.j,  10.+0.j],
        [  1.+0.j,   3.+0.j,   0.+4.j]])
  

• Contoh 3: Membina matriks dengan menggunakan matriks aritmatik

  np.mat( np.random.rand(3,3) ).T
  np.matrix([[ 0.81541602,  0.73987459,  0.03509142],
        [ 0.14767449,  0.60539483,  0.05641679],
        [ 0.43257759,  0.628695  ,  0.47413553]])
  

  Matrix ((data, dtype=None, copy=True)) Mengubah data yang dihantar dengan parameter data menjadi matriks. Jika dtype adalah None, maka jenis data akan ditentukan oleh kandungan data. Jika copy adalah True, maka data dalam data akan disalin, jika tidak, data asli akan digunakan. Jika kawasan buffer data tidak dijumpai, tentu saja data akan disalin.候会调用matrix.new(matrix, data, dtype, copy) Mat. Hanya satu nama samaran untuk matriks. Asmatrix ((data, dtype=None) Mengembalikan data yang tidak disalin. = matriks (data, dtype, copy=False). Bmat ((obj, ldict=None, gdict=None) Membina matriks dengan menggunakan satu senar, siri-seri yang bersinggungan atau satu array. Perintah ini membolehkan anda membina matriks dari objek lain. Di mana parameter ldict dan gdict digunakan apabila obj adalah satu senar, kedua-dua parameter ini adalah kamus tempatan dan modul. Jika anda tidak menyediakan mereka, ini akan disediakan oleh sistem.

  A=np.mat('2 2; 2 2'); B=np.mat('1 1; 1 1');
  print(np.bmat('A B; B A'))
    [[2 2 1 1]
     [2 2 1 1]
     [1 1 2 2]
     [1 1 2 2]]
  

Diarahkan oleh su frank