线性代数 ( numpy.linalg
) #
NumPy 线性代数函数依赖 BLAS 和 LAPACK 来提供标准线性代数算法的高效低级实现。这些库可能由 NumPy 本身使用其参考实现子集的 C 版本提供,但在可能的情况下,优选利用专用处理器功能的高度优化的库。此类库的示例有OpenBLAS、MKL (TM) 和 ATLAS。由于这些库是多线程的并且依赖于处理器,因此可能需要环境变量和外部包(例如threadpoolctl)来控制线程数量或指定处理器体系结构。
SciPy 库还包含一个linalg
子模块,并且 SciPy 和 NumPy 子模块提供的功能存在重叠。 SciPy 包含 中未找到的函数numpy.linalg
,例如与 LU 分解和 Schur 分解相关的函数、计算伪逆的多种方法以及矩阵超越(例如矩阵对数)。两者中都存在的一些功能在scipy.linalg
.例如,scipy.linalg.eig
可以采用第二个矩阵参数来解决广义特征值问题。然而,NumPy 中的某些函数具有更灵活的广播选项。例如,numpy.linalg.solve
可以处理“堆叠”数组,同时scipy.linalg.solve
仅接受单个方形数组作为其第一个参数。
笔记
本页中使用的术语“矩阵”numpy.array
表示二维
对象,而不是对象numpy.matrix
。不再推荐后者,即使对于线性代数也是如此。有关更多信息,请参阅
矩阵对象文档。
运营@
商#
在 NumPy 1.10.0 中引入,@
在计算 2d 数组之间的矩阵乘积时,该运算符优于其他方法。该
numpy.matmul
函数实现了@
运算符。
矩阵和向量积#
|
两个数组的点积。 |
|
在单个函数调用中计算两个或多个数组的点积,同时自动选择最快的计算顺序。 |
|
返回两个向量的点积。 |
|
两个数组的内积。 |
|
计算两个向量的外积。 |
|
两个数组的矩阵乘积。 |
|
沿指定轴计算张量点积。 |
|
评估操作数的爱因斯坦求和约定。 |
|
通过考虑中间数组的创建来评估 einsum 表达式的最低成本收缩阶。 |
将方阵求n次(整数)次方。 |
|
|
两个数组的克罗内克积。 |
分解#
乔列斯基分解。 |
|
|
计算矩阵的 qr 分解。 |
|
奇异值分解。 |
矩阵特征值#
|
计算方阵的特征值和右特征向量。 |
|
返回复数 Hermitian(共轭对称)或实数对称矩阵的特征值和特征向量。 |
计算一般矩阵的特征值。 |
|
|
计算复数埃尔米特矩阵或实对称矩阵的特征值。 |
规范和其他数字#
|
矩阵或向量范数。 |
|
计算矩阵的条件数。 |
|
计算数组的行列式。 |
|
使用 SVD 方法返回数组的矩阵秩 |
计算数组行列式的符号和(自然)对数。 |
|
|
返回沿数组对角线的总和。 |
求解方程和求逆矩阵#
|
求解线性矩阵方程或线性标量方程组。 |
|
求解 x 的张量方程。 |
|
返回线性矩阵方程的最小二乘解。 |
|
计算矩阵的(乘法)逆矩阵。 |
|
计算矩阵的 (Moore-Penrose) 伪逆。 |
|
计算 N 维数组的“逆”。 |
例外#
由 linalg 函数引发的通用 Python 异常派生对象。 |
同时在多个矩阵上进行线性代数#
1.8.0 版本中的新增功能。
如果将多个矩阵堆叠到同一个数组中,上面列出的几个线性代数例程能够同时计算多个矩阵的结果。
这在文档中通过输入参数规范(例如 )进行了指示。这意味着,如果给定一个输入数组,它会被解释为 N 个矩阵的“堆栈”,每个矩阵的大小为 M×M。类似的规范适用于返回值,例如行列式已经并将在这种情况下返回一个 shape 数组
。这可以推广到高维数组上的线性代数运算:多维数组的最后 1 或 2 维被解释为向量或矩阵,根据每个运算的情况而定。a : (..., M, M) array_like
a.shape == (N, M, M)
det : (...)
det(a).shape == (N,)