Автор оригинала: Pankaj Kumar.
Эй, читатели! В этой статье мы будем сосредоточиться на Основные 6 Numpy Линейные алгебраические функции , в деталях.
Итак, давайте начнем !! 🙂.
Обзор модуля Numpy – Особенности
Как мы все видели в предыдущей статье Numpy Module, он имеет свою роль, распространяющуюся в различных областях, таких как машинное обучение, наука о данных и т. Д.
В целом Numpy Module предлагает нам различные функции для создания данных массива и работы/манипулирования в соответствии с требованием. Мы также можем связаться о Numpy к математическим функциям, которые нам нужны в повседневных задачах для расчетов.
В ходе этой темы мы будем сосредоточиться на функциях ниже, предлагаемых Numpy Array-
- Определительный
- Ранг матрицы
- Обратная массив
- Экспоненциальное значение для массива
- Скалярное произведение
- Линейные уравнения
Давайте посмотрим на них в предстоящих разделах.
1. Детерминантер Numpy Array
Основная линейная алгебраическая функция, которую мы столкнулись, вычисляют определитель матрицы. Мы можем рассчитать определитель, используя модуль Numpy через функцию numpy.linalg.det (). Он относится к массиву в качестве матрицы и рассчитывает определитель того же.
Синтаксис-
numpy.linalg.inv(array)
2. Ранг матрицы
Функция numpy.linalg.matrix_rank () позволяет нам рассчитать ранг матрицы в Numpy. Он принимает Numpy Array в качестве входного параметра и возвращает ранг массива, обрабатывающего его как матрицу.
Синтаксис-
numpy.linalg.matrix_rank(array)
3. Определяет номерного массива
С помощью Numpy Module Module мы можем получить обратный массив в ладони с помощью функции inv ().
Синтаксис-
numpy.linalg.inv(array)
4. Экспоненциальные значения
С помощью Numpy My Play можно легко рассчитать экспонент массива для индивидуальной мощности. То есть мы можем поднять число как мощность для массива (матрицы) и извлечь значение для экспонанта массива.
numpy.linalg.matrix_power(array, power)
Реализация – Matrix Функции в Numpy
Давайте теперь попробуем реализовать вышеупомянутые функции через пример
Пример:
import numpy
x = numpy.array([ [1, 2, 3],
[4, 5, 6],
[7, -2, 9]])
print("Rank: ", numpy.linalg.matrix_rank(x))
det_mat = numpy.linalg.det(x)
print("\nExponent:\n",
numpy.linalg.matrix_power(x, 2))
print("\nDeterminant: ",det_mat)
inv_mat = numpy.linalg.inv(x)
print("\nInverse: ",inv_mat)
Выход:
Rank: 3 Exponent: [[ 30 6 42] [ 66 21 96] [ 62 -14 90]] Determinant: -59.999999999999986 Inverse: [[-0.95 0.4 0.05 ] [-0.1 0.2 -0.1 ] [ 0.71666667 -0.26666667 0.05 ]]
5. Точечный продукт с помощью Numpy Array
Модуль Mypy Array позволяет нам легко иметь операции продукта на место для 1-D, а также многомерных массивов.
Для 1-D массивов он выполняет скалярное умножение массивов. На другой стороне, для многомерных массивов, он выполняет умножение массива/матрицы элементов массива.
Мы используем функцию numpy.dot (), чтобы получить точечный продукт для Numpy Array.
Синтаксис-
numpy.dot(array1, array2)
Пример:
import numpy as np
sc_dot = np.dot(5,10)
print("Dot Product for 1-D array: ", sc_dot)
vectr_x = 1 - 2j
vectr_y = 4 + 8j
vctr_dot = np.dot(vectr_x, vectr_y)
print("Dot Product for multi-dimensional Array: ", vctr_dot)
Выход:
Dot Product for 1-D array: 50 Dot Product for multi-dimensional Array: (20+0j)
6. Numpy Линейные уравнения
Сейчас решение линейных алгебраических уравнений для огромных числовых значений не является временем. Да, с модулем Numpy Array мы можем легко получить результат для Numpy Linear уравнений.
Numpy предоставляет нам numpy.linalg.solve () Функция Это принимает значения массива в качестве ввода и представляет вывод для уравнения.
Пример-
В приведенном ниже примере мы прошли два массива в качестве ввода в функцию RELVE (), которая, в свою очередь, возвращает линейный алгебраический вывод на то же самое в форме массива.
import numpy as np
x = np.array([[2, 4], [6, 8]])
y = np.array([2, 2])
print(("Linear equations:",
np.linalg.solve(x, y)))
Выход:
('Linear equations:', array([-1., 1.]))
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любыми вопросами.
Для более таких постов, связанных с программированием Python, оставайся настроенными нами.
До этого, счастливое обучение! 🙂.