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.