Python numpy線性代數(shù)用法實例解析
這篇文章主要介紹了Python numpy線性代數(shù)用法實例解析,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
numpy中線性代數(shù)用法
矩陣乘法
>>> import numpy as np >>> x=np.array([[1,2,3],[4,5,6]]) >>> y=np.array([[7,8],[-1,7],[8,9]]) >>> x array([[1, 2, 3], [4, 5, 6]]) >>> y array([[ 7, 8], [-1, 7], [ 8, 9]]) >>> x.dot(y) array([[ 29, 49], [ 71, 121]]) >>> np.dot(x,y) array([[ 29, 49], [ 71, 121]])
計算點(diǎn)積
>>> a=np.array([[1,2],[3,4]]) >>> b=np.array([[11,12],[12,13]]) >>> np.vdot(a,b) 123
計算的公式是
result=1*11+2*12+3*12+4*13
計算內(nèi)積
>>> np.inner(np.array([1,2,3]),np.array([0,1,0])) 2
計算公式
result=1*0+2*1+3*0
計算行列式
>>> np.inner(np.array([1,2,3]),np.array([0,1,0])) 2 >>> a=np.array([[1,2],[3,4]]) >>> np.linalg.det(a) -2.0000000000000004
求線性方程的解
x + y + z = 6 2y + 5z = -4 2x + 5y - z = 27
矩陣表示
>>> import numpy as np >>> a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) >>> ainv = np.linalg.inv(a)#求矩陣的逆 >>> b = np.array([[6],[-4],[27]]) >>> x = np.linalg.solve(a,b)#求解需要A-1和B >>> x array([[ 5.], [ 3.], [-2.]]) >>>
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python中的JSON?Pickle?Shelve模塊特性與區(qū)別實例探究
在Python中,處理數(shù)據(jù)序列化和持久化是極其重要的,JSON、Pickle和Shelve是三種常用的模塊,它們提供了不同的方法來處理數(shù)據(jù)的序列化和持久化,本文將深入研究這三個模塊,探討它們的特性、用法以及各自的優(yōu)缺點(diǎn)2024-01-01Python內(nèi)建類型dict深入理解源碼學(xué)習(xí)
這篇文章主要為大家介紹了Python內(nèi)建類型dict的深入理解及源碼學(xué)習(xí),有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-03-03PHP網(wǎng)頁抓取之抓取百度貼吧郵箱數(shù)據(jù)代碼分享
本文給大家介紹PHP網(wǎng)頁抓取之抓取百度貼吧郵箱數(shù)據(jù)代碼分享,程序?qū)崿F(xiàn)了一鍵抓取帖子全部郵箱和分頁抓取郵箱兩個功能,感興趣的朋友一起學(xué)習(xí)吧2016-04-04全面了解Nginx, WSGI, Flask之間的關(guān)系
下面小編就為大家分享一篇全面了解Nginx, WSGI, Flask之間的關(guān)系,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-01-01