Автор оригинала: Pankaj Kumar.
Здравствуйте, читатели! В этой статье мы будем сосредоточиться на Numpy линейные алгебраические функции в питоне. Итак, давайте начнем! 🙂.
Numpy Module предлагает нам различные функции для решения и манипулирования данными. Это позволяет нам создавать и хранить данные в структуре данных массива. Продвижение вперед, он предлагает нам различные функции для анализа и манипулирования значениями данных.
Список numpy линейные алгебраические функции
1. Матричные функции, предлагаемые Numpy Module
С Numpy Module мы можем выполнять функции линейной алгебраической матрицы на структуре массива.
В ходе этой темы мы бы посмотрели на следующие функции-
- Ранг матрицы : Мы можем рассчитать ранг массива, используя функцию numpy.linalg.matrix_rank ().
- Определитель : Функция numpy.linalg.det () помогает нам рассчитать определитель массива, леченного им как матрицей.
- Обратная : Функция inv () позволяет рассчитать обратную часть массива.
- Экспонент : Использование функции numpy.linalg.matrix_power () мы можем поднять значение мощности к матрицу и извлечь результаты.
Пример:
В приведенном ниже примере мы создали массив, используя функцию numpy.array (). Кроме того, мы выполнили вышеупомянутые линейные алгебраические операции на массиве и напечатали результаты.
import numpy
x = numpy.array([ [2, 8, 7],
[6, 1, 1],
[4, -2, 5]])
print("Rank: ", numpy.linalg.matrix_rank(x))
det_mat = numpy.linalg.det(x)
print("\nDeterminant: ",det_mat)
inv_mat = numpy.linalg.inv(x)
print("\nInverse: ",inv_mat)
print("\nMatrix raised to power y:\n",
numpy.linalg.matrix_power(x, 8))
Выход:
Rank: 3 Determinant: -306.0 Inverse: [[-0.02287582 0.17647059 -0.00326797] [ 0.08496732 0.05882353 -0.13071895] [ 0.05228758 -0.11764706 0.1503268 ]] Matrix raised to power y: [[ 85469036 43167250 109762515] [ 54010090 32700701 75149010] [ 37996120 22779200 52792281]]
2. Снабжение собственного значения с помощью Numpy Array
Numpy Linear алгебраические функции имеют класс Lineg, который имеет Функция Eigh () Для расчета собственного значения из элементов массива передавали к нему.
Посмотрите на синтаксис ниже!
Синтаксис:
numpy.linalg.eigh(array)
Функция восьми () возвращает собственные значения, а также собственные векторы комплекса или реальной симметричной матрицы.
Пример:
from numpy import linalg as li
x = numpy.array([[2, -4j], [-2j, 4]])
res = li.eigh(x)
print("Eigen value:", res)
Выход:
Eigen value: (array([0.76393202, 5.23606798]), array([[-0.85065081+0.j , 0.52573111+0.j ],
[ 0. -0.52573111j, 0. -0.85065081j]]))
3. Точечный продукт
С Numpy линейными алгебраическими функциями мы можем выполнять точечные операции на скаляр, а также многомерные значения. Он выполняет скалярное умножение для одномерных векторных значений.
Для многомерных массивов/матриц он выполняет умножение матрицы на значения данных.
Синтаксис:
numpy.dot()
Пример:
import numpy as np
sc_dot = np.dot(10,2)
print("Dot Product: ", sc_dot)
vectr_x = 1 + 2j
vectr_y = 2 + 4j
vctr_dot = np.dot(vectr_x, vectr_y)
print("Dot Product: ", vctr_dot)
Выход:
Dot Product: 20 Dot Product: (-6+8j)
4. Решение линейных уравнений с помощью Numpy Module
С Numpy линейными алгебраическими функциями мы можем даже выполнять расчеты и решить линейные алгебраические скалярные уравнения. numpy.linalg.solve () Функция Решает для значений массива с уравнением.
Пример:
import numpy as np
x = np.array([[2, 4], [6, 8]])
y = np.array([2, 2])
print(("Solution of linear equations:",
np.linalg.solve(x, y)))
Выход:
('Solution of linear equations:', array([-1., 1.]))
Заключение
Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом. Для получения дополнительных таких постов, связанных с Python Programming, оставайся мелодий с нами. До этого, счастливого обучения !! 🙂.