numpy.linalg学习

最新推荐文章于 2025-10-11 08:00:00 发布

原创最新推荐文章于 2025-10-11 08:00:00 发布 · 1.5w 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#numpy.linalg #线性代数

Numpy 专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了使用NumPy进行矩阵和向量运算的方法，包括点积、矩阵乘法、求解逆矩阵及最小二乘法等内容，并提供了丰富的实例代码。

1、矩阵和向量积

两个数组点积：numpy.dot(a, b, out=None)

①a、b都是常量或一维数组，则返回标量

In [1]: import numpy as np

In [2]: np.dot(3,4)
Out[2]: 12

In [3]: np.dot([1,2,3],[4,5,6])
Out[3]: 32

知识点：对于一维数组，其结果等于两向量的内积：设向量 a=(x1,y1)，向量b=(x2,y2)，结果等于x1*x2+y1*y2

②a、b都是二维数组，相当于矩阵的乘法

In [5]: a = np.array([[1,2],[3,4],[2,5]])
   ...: b = np.array([[2,3,1],[4,5,2]])
   ...: np.dot(a,b)
   ...:
Out[5]:
array([[10, 13,  5],
       [22, 29, 11],
       [24, 31, 12]])

知识点：矩阵乘法，第一矩阵A的行数必须等于第二个矩阵B的列数；矩阵A乘以矩阵B得到的结果C，其第m行n列元素等于矩阵A的第m行元素乘以矩阵B第n列对应元素之和
③a、b都是N维，其结果等于a的最后一轴和b的倒数第二轴积之和

In [3]: import numpy as np

In [4]: a = np.array(range(12)).reshape(2,3,1,2)
   ...: b = np.array(range(12)).reshape(3,2,2)
   ...:

In [5]: a
Out[5]:
array([[[[ 0,  1]],

        [[ 2,  3]],

        [[ 4,  5]]],


       [[[ 6,  7]],

        [[ 8,  9]],

        [[10, 11]]]])

In [6]: b
Out[6]:
array([[[ 0,  1],
        [ 2,  3]],

       [[ 4,  5],
        [ 6,  7]],

       [[ 8,  9],
        [10, 11]]])

In [7]: np.dot(a,b)
Out[7]:
array([[[[[  2,   3],
          [  6,   7],
          [ 10,  11]]],


        [[[  6,  11],
          [ 26,  31],
          [ 46,  51]]],


        [[[ 10,  19],
          [ 46,  55],
          [ 82,  91]]]],



       [[[[ 14,  27],
          [ 66,  79],
          [118, 131]]],


        [[[ 18,  35],
          [ 86, 103],
          [154, 171]]],


        [[[ 22,  43],
          [106, 127],
          [190, 211]]]]])

In [8]: np.dot(a,b).shape
Out[8]: (2, 3, 1, 3, 2)

计算过程：

In [9]: np.dot(np.array([[[[0,1]]]]),np.array([[[0,1],[2,3]]]))
Out[9]: array([[[[[2, 3]]]]])

In [10]: np.dot(np.array([[[[0,1]]]]),np.array([[[4,5],[6,7]]]))
Out[10]: array([[[[[6, 7]]]]])

In [11]: np.dot(np.array([[[[0,1]]]]),np.array([[[8,9],[10,11]]]))
Out[11]: array([[[[[10, 11]]]]])

两向量点积：numpy.vdot(a, b)

①参数a、b都是高维数组，vdot处理多维数组和dot处理方式不同，不是执行矩阵乘积，只能执行向量点积，则需将数组先扁平化，然后再计算

In [1]: import numpy as np
   ...: a = np.array([[1, 4], [5, 6]])
   ...: b = np.array([[4, 1], [2, 2]])
   ...: np.vdot(a,b)
   ...:
Out[1]: 30

a、b数组扁平化即将多维数组转换成一维数组，可以使用ravel函数处理

In [2]: np.vdot(a.ravel(), b.ravel())
Out[2]: 30

②参数a、b为复数

In [3]: a = np.array([1+2j,3+4j])
   ...: b = np.array([5+6j,7+8j])
   ...: np.vdot(a,b)
   ...:
Out[3]: (70-8j)

In [4]: np.vdot(b,a)
Out[4]: (70+8j)

通过上述结果可知：np.vdot(a,b)和np.vdot(b,a)计算出来的结果刚好互为共轭复数关系(实部相同，虚部互为相反数)，其计算结果为取vdot函数中的第一个参数的共轭复数与另外一个参数点积。

以np.vdot(a,b)计算为例：

第一步：计算a的共轭复数c=np.array([1-2j,3-4j])

第二步：计算c与b的点积

In [5]: import numpy as np
   ...: a = np.array([1+2j,3+4j])
   ...: b = np.array([5+6j,7+8j])
   ...: c = np.array([1-2j,3-4j])
   ...: d = np.array([5-6j,7-8j])
   ...: np.dot(c,b)
   ...:
Out[5]: (70-8j)

In [6]: np.dot(a,d)
Out[6]: (70+8j)

2、求解方程与求逆矩阵

逆矩阵：numpy.linalg.inv(a)

In [1]: import numpy as np
   ...: from numpy.linalg import inv
   ...: a = np.array([[1., 2.], [3., 4.]])
   ...: inv(a)
   ...:
Out[1]:
array([[-2. ,  1. ],
       [ 1.5, -0.5]])

知识点：矩阵与其逆矩阵点积等于同阶单位矩阵，求解逆矩阵的方法有：待定系数法、伴随矩阵法、初等变换法

In [2]: np.dot(a,inv(a))
Out[2]:
array([[  1.00000000e+00,   1.11022302e-16],
       [  0.00000000e+00,   1.00000000e+00]])

比较两数组：numpy.allclose(a, b, rtol=1e-05, atol=1e-08, equal_nan=False)

In [3]: np.allclose(np.dot(a,inv(a)),np.eye(2))
Out[3]: True

最小二乘法：numpy.linalg.lstsq(a, b, rcond=-1)

1、b为一维数组

In [13]: import numpy as np
    ...: from numpy.linalg import lstsq
    ...: X1 = np.array([[1, 6, 2], [1, 8, 1], [1, 10, 0], [1, 14, 2], [1, 18, 0
    ...: ]])
    ...: y1= np.array([[7], [9], [13], [17.5], [18]])
    ...: np.linalg.lstsq(X1, y1)
    ...:
Out[13]:
(array([[ 1.1875    ],
        [ 1.01041667],
        [ 0.39583333]]),
 array([ 8.22916667]),
 3,
 array([ 26.97402951,   2.46027806,   0.59056212]))

从上述结果可知：返回元组，元组中四个元素，第一元素表示所求的最小二乘解，第二个元素表示残差总和，第三个元素表示X1矩阵秩，第四个元素表示X1的奇异值

2、b为多维数组

In [14]: import numpy as np
    ...: from numpy.linalg import lstsq
    ...: X1 = np.array([[1, 6, 2], [1, 8, 1], [1, 10, 0], [1, 14, 2], [1, 18, 0
    ...: ]])
    ...: y1= np.array([[7,8], [9,7], [13,10], [17.5,16], [18,17]])
    ...: np.linalg.lstsq(X1, y1)
    ...:
Out[14]:
(array([[ 1.1875    , -1.125     ],
        [ 1.01041667,  1.02083333],
        [ 0.39583333,  1.29166667]]),
 array([ 8.22916667,  2.91666667]),
 3,
 array([ 26.97402951,   2.46027806,   0.59056212]))

通过上面两个结果对比分析：参数b维度增加，第一个、第二个元素数组维度也变化，其对应的第K列分别表示对b数组中第k列的最小二乘法求解、残差总和