Автор оригинала: Team Python Pool.
NumPy Identity Matrix | NumPy identity() Объяснено в Python
Привет гики и добро пожаловать в этой статье мы рассмотрим NumPy identity matrix обозначается как NumPy identity(). Наряду с этим, для общего лучшего понимания, мы также рассмотрим его синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах. Но сначала попробуем проанализировать функцию через ее определение.
Тождественная матрица определяется как квадратная матрица (равное количество столбцов и строк) со всеми диагональными значениями, равными 1. В то же время все остальные места имеют значение 0. Функция NumPy identity() помогает нам в этом и возвращает идентификационную матрицу по вашему запросу. Тождественная матрица также известна как мультипликативная тождественность для квадратной матрицы. Тождественная матрица находит свое значение при вычислении обратной матрицы и нескольких других доказательств.
СИНТАКСИС
numpy.identity
(n,)
Это общий синтаксис нашей функции. В следующем разделе мы рассмотрим различные параметры, связанные с ним.
ПАРАМЕТР
1.n:int
Этот параметр представляет собой число, для которого мы хотим получить матрицу идентичности.
2.dtype:тип данных
Это представляет тип данных нашей матрицы идентичности. По умолчанию он равен “float”.
RETURN
ВЫХОД: NDARRAY
По завершении работы программы она возвращает идентификационную матрицу в соответствии с запросом пользователя.
ПРИМЕРЫ
Как мы уже сделали со всей теоретической частью, связанной с NumPy identity(). В этом разделе мы рассмотрим, как работает эта функция и как она помогает нам достичь желаемого результата. Мы начнем с примера элементарного уровня и постепенно перейдем к более сложным примерам.
1. Базовый пример для NumPy identity matrix
import numpy as ppool.identity(3) print(a)
[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]
Выше мы можем увидеть элементарный пример NumPy identity matrix. Здесь сначала мы импортировали модуль NumPy. После чего мы использовали оператор печати вместе с нашим массивом, чтобы получить желаемый вывод. Здесь мы видим, что матрица идентичности имеет тип данных float, поскольку мы не определили ничего другого. Основной мотив этого примера состоял в том, чтобы вы знали об использовании синтаксиса.
2.NumPy identity() как тождество умножения
import numpy as ppool.array([[16,2], [12,4]]) print(A)) print(B) result=[[0,0], [0,0]] for i in range(len(A)): for j in range(len(B[0])): for k in range(len(B)): result[i][j][i][k] * B[k][j] for r in result: print(r)
Выход:
[[16 2] [12 4]] [[1 0] [0 1]] [16, 2] [12, 4]
В приведенном выше примере мы можем увидеть одно из многих приложений матрицы идентичности . Здесь, как и в первом примере, мы сначала импортировали библиотеку NumPy. После чего мы определили массив, для которого хотим найти матрицу идентичности. После чего мы определили нашу <сильную>матрицу идентичности. Затем мы определили результат, аналогичный размеру нашей матрицы, который будет обновлен позже. Затем мы использовали цикл for, чтобы найти перенос матричного умножения. В конце концов, наш <сильный>выход оправдывает наш вход.
Почему бы вам не попробовать использовать матрицу 3*3 и не сказать мне, какой результат вы получили.
NumPy identity() vs NumPy eye()
В этом разделе будет рассмотрена разница между 2 функциями NumPy, как упоминалось выше. Мы уже обсуждали идентичность NumPy в этой статье. Давайте посмотрим на определение NumPy eye. Функция возвращает 2-d матрицу со всеми недиагональными членами, равными 0. Тогда как диагональные члены равны 1. Подобно матрице идентичности, разница здесь в том, что диагональ может быть сдвинута вверх или вниз. Тогда матрицу уже нельзя будет назвать тождественной матрицей. Для полного анализа NumPy eye () вы можете обратиться к этой статье. А теперь давайте рассмотрим пример, который сделает все для вас кристально ясным.
NumPy identity() | Тупой глаз() |
import numpy as.identity(3)print(a) | import numpy as)print(a) |
[[1. 0. 0.][0. 1. 0.][0. 0. 1.]] | [[0. 1. 0.][0. 0. 1.][0. 0. 0.]] |
ЗАКЛЮЧЕНИЕ
В этой статье мы рассмотрели матрицу идентичности NumPy. Кроме того, мы также рассмотрели его синтаксис и параметры. Для лучшего понимания мы рассмотрели несколько примеров. Мы варьировали синтаксис и рассматривали выходные данные для каждого случая. В конце концов, мы можем сделать вывод, что функция NumPy identity помогает нам получить матрицу идентичности по желанию пользователя.
Я надеюсь, что эта статья смогла развеять все ваши сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать об автоматическом кликере дальше.