使用numpy对矩阵进行求逆

最新推荐文章于 2025-10-10 20:37:52 发布
原创 最新推荐文章于 2025-10-10 20:37:52 发布 · 1.2w 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #numpy #线性代数 #算法

博主在计算线性代数题目时，发现矩阵求逆慢且易出错，于是想到用Python的NumPy库编写矩阵求逆程序。输入3*3矩阵，借助NumPy强大的科学计算能力完成求逆，同时提醒不要用此代码直接完成线代作业。
部署运行你感兴趣的模型镜像

昨晚算一道线性代数的题目的时候，算了半天，答案错了。验算了一下，觉得错误应该是出在矩阵求逆的地方。但是真的求逆太慢了，（主要是头晕），那怎么办呢？

突然想起numpy这个超强大的科学计算库，于是乎就用几行代码写了一个矩阵求逆的程序。

import numpy as np

a = np.array([[1, 1, 1], [0, 0.5, -2], [0, 1, 1]])
print(a)
print('-----------')

print(np.linalg.inv(a))

我输入的是一个3*3的矩阵，上面这串代码大伙儿应该是能看懂的我相信。毕竟python这么直观。就这样吧哈哈哈哈，千万不要不经思考就拿这个代码来完成线代作业啊哈哈哈哈。数学作业还是要自己完成的

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

Numpy 中的矩阵求逆
何足道的博客
02-01 18万+
1. 矩阵求逆 import numpy as np a = np.array([[1, 2], [3, 4]]) # 初始化一个非奇异矩阵 print(a.I) print(np.linalg.inv(a)) #与上一步等同，对应于MATLAB中 inv() 函数 2. 矩阵求伪逆 import numpy as np # 定义一个奇异阵 A A = np.zeros((4,...
NumPy 矩阵求逆深度解析：`np.linalg.inv()` 与 `np.linalg.pinv()`
weixin_42107409的博客
09-22 588
在实数域中，任何非零数aaa都有一个倒数1a1/a1/a，使得a⋅1a1a⋅1/a1。在矩阵代数中，对于一个方阵AAA，如果存在另一个方阵A−1A^{-1}A−1（称为AAA的逆矩阵），使得它们相乘的结果是单位矩阵IIIA⋅A−1A−1⋅AIA⋅A−1A−1⋅AI那么AAA就是可逆矩阵（或非奇异矩阵）。对于任意矩阵Am×nAm×n​，其伪逆AA^+A是一个n×m。
Numpy 中的矩阵求逆实例
12-25
1. 矩阵求逆 import numpy as np a = np.array([[1, 2], [3, 4]]) # 初始化一个非奇异矩阵(数组) print(np.linalg.inv(a)) # 对应于MATLAB中 inv() 函数 # 矩阵对象可以通过 .I 更方便的求逆 A = np.matrix(a) print(A.I) 2. 矩阵求伪逆 import numpy as np # 定义一个奇异阵 A A = np.zeros((4, 4)) A[0, -1] = 1 A[-1, 0] = -1 A = np.matrix(A) print(A) # print(A.I)
numpy矩阵计算-逆矩阵
最新发布
2403_82689523的博客
10-10 358
在线性代数中，若方阵 存在另一个同阶方阵A⁻¹使得；则称A⁻¹为A的逆矩阵， 为单位矩阵。逆矩阵只在非奇异方阵（行列式不为零）上存在。
numpy的矩阵求逆
qq_41978896的博客
11-03 1万+
numpy的矩阵求逆 numpy中有np.linalg.inv()方法可以直接求逆，但是有时候原矩阵是无法直接求逆的，强行使用该方法会导致较大的误差；这时可以使用SVD矩阵分解的方法，舍去相关特征： matrix u, s, v = np.linalg.svd(matrix, full_matrices=False)#截断式矩阵分解 inv = np.matmul(v.T * 1 / s, u.T)#求逆矩阵 ...
探索 Python 领域中 NumPy 的矩阵求逆方法
Python编程之道的博客
05-12 1122
矩阵求逆是线性代数中的重要操作，在众多领域如物理学、工程学、计算机科学等都有广泛应用。NumPy 作为 Python 中用于科学计算的核心库，提供了强大且高效的矩阵运算功能。本文的目的是深入探讨 NumPy 中矩阵求逆的方法，包括其原理、实现步骤以及实际应用场景。范围涵盖从基础的矩阵求逆概念到复杂的代码实现和实际案例分析。
numpy求矩阵的逆和伪逆
weixin_41855010的博客
07-20 5203
我们可以使用np.linalg中的inv和pinv函数来求解矩阵的逆/伪逆。 np.linalg.inv 对于可逆方阵M，我们使用下面这行代码求逆： np.linalg.inv(J(theta)) 示例： import numpy as np M = [ [0.866,-0.5,0], [0.5,0.866,0], [0,0,1] ] print(f"The inverse of M is \n{np.linalg.inv(M)}") 当然也可以为了可读性在import的时候直接从numpy.li
计算逆矩阵
baipu323的博客
10-17 1116
逆矩阵是我们线性代数所学习的，在Python中我们可以通过numpy.linalg一个包含线性代数的函数模块。使用这个模块，我们可以实现计算逆矩阵。如果矩阵的行数和列数相等即为方阵，只有方阵才有逆矩阵。函数计算矩阵的行列式，并判断是否为奇异矩阵。如果矩阵是奇异的，那么它没有逆矩阵；这样的矩阵M称为矩阵A的Moore-Penrose广义逆矩阵，奇异矩阵也可以计算广义逆矩阵。是可逆的（即不是奇异矩阵，其行列式不为零），这个函数将返回矩阵。的 Moore-Penrose 逆矩阵，那么这里的返回值应该为。
numpy库：常用基本
weixin_34297704的博客
05-29 717
本文主要列出numpy模块常用方法 大部分内容来源于网络，而后经过自己的一点思考和总结，如果有侵权，请联系我 我是一名初学者，有哪些地方有错误请留言，我会及时更改的 创建矩阵（采用ndarray对象） 对于python中的numpy模块，一般用其提供的ndarray对象。 创建一个ndarray对象很简单，只要将一个list作为参数即可。 例如 import num...
Python中如何创建元素为ndarray的list
Codefmeister's BLOG
11-21 957
python如何使得list中的元素是ndarray 在一个代码实现时，会想要类似MATLAB一样，拥有一个struct类型的数组，数组中的每个cell都是一个ndarray。因为在某些维度上shape不同，所以不能整合为一个大的ndarray。 要实现上述需求，可以进行如下操作: targetList = [] targetList.append(ndarray) 这样即可获得由ndarray构成的list，可以进一步对list进行concatenate等操作再次整合。 ...
Python中求矩阵的逆
热门推荐
Kenn7的博客
11-26 3万+
import numpy as np kernel = np.array([1, 1, 1, 2]).reshape((2, 2)) print(kernel) print(np.linalg.inv(kernel)) 注意，Singular matrix奇异矩阵不可求逆
numpy 矩阵求逆_numpy 基础 —— np.linalg
weixin_39864387的博客
12-05 632
（1）np.linalg.inv()：矩阵求逆（2）np.linalg.det()：矩阵求行列式（标量）np.linalg.norm顾名思义，linalg=linear+algebralinalg=linear+algebra，normnorm则表示范数，首先需要注意的是范数是对向量（或者矩阵）的度量，是一个标量（scalar）：首先help(np.linalg.norm)查看其文档：norm(x...
numpy 矩阵求逆_numpy 矩阵运算
weixin_39625305的博客
11-27 2189
1. numpy中数组array和矩阵matrix的区别：matrix是array的分支，matrix和array在很多时候都是通用的，你用哪一个都一样。但这时候，官方建议大家如果两个可以通用，那就选择array，因为array更灵活，速度更快，很多人把二维的array也翻译成矩阵。但是matrix的优势就是相对简单的运算符号，比如两个矩阵相乘，就是用符号*，但是array相乘不能这么用，得用方法...
21_Numpy进行矩阵运算（逆矩阵，行列式，特征值等）
qq_18351157的博客
08-17 2万+
21_Numpy进行矩阵运算（逆矩阵，行列式，特征值等） 使用NumPy在Python中执行矩阵运算很方便。 可以使用标准的Python列表类型实现二维数组（列表列表），但是NumPy可以用于轻松计算矩阵乘积，逆矩阵，行列式和特征值。 NumPy具有通用多维数组类numpy.ndarray和矩阵（二维数组）专用类numpy.matrix。 ndarray和matrix都可以执行矩阵（二维数组）操作（矩阵乘积，逆矩阵等），但是使用矩阵可以更轻松地编写代码。 如果您经常计算矩阵乘积和逆矩阵，则矩阵可能更易于描述
线性代数精华2——逆矩阵的推导过程
TechFlow的博客
12-31 2873
本文始发于个人公众号： TechFlow 上一讲当中我们复习了行列式的内容，行列式只是开胃小菜，线性代数的大头还是矩阵。 矩阵的定义很简单，就是若干个数按照顺序排列在一起的数表。比如m * n个数，排成一个m * n的数表，就称为一个m * n的矩阵。 矩阵运算的相关性质不多，主要的有这么几点： 矩阵的加法有结合律和交换律 矩阵的乘法没有交换律 m * n的矩阵乘上n * k的矩阵的结果是一个...
numpy矩阵求逆和解线性方程组
reyyy的博客
08-13 1134
矩阵求逆 a_inverse = np.linalg.inv(a) 解线性方程组AX=b X= np.linalg.solve(A, b)
Codeforces Round #674 B. Symmetric Matrix（水题）
YSJ367635984的博客
10-05 881
题目地址：传送门 题目贴上： 题意，给你n种 2x2的矩阵，并且每种矩阵可以无限次使用，问你是否能组成mxm的矩阵（新矩阵必须是严格按照主对角线对称矩阵） 思路：首先给你的2x2矩阵，很明显我们不能拼成奇数长宽的矩阵，所以如果m为奇数，直接输出no，最后考虑m为偶数的情况，很明显，如果给你n个2x2矩阵当中没有一个矩阵的主对角线对称矩阵，那肯定要无法组成更大的mxm型的对称矩阵 代码： #include<bits/stdc++.h> using namespace std; struct Po
python numpy逆_Numpy 中的矩阵求逆实例
weixin_39630880的博客
11-22 234
1. 矩阵求逆import numpy as npa = np.array([[1, 2], [3, 4]]) # 初始化一个非奇异矩阵(数组)print(np.linalg.inv(a)) # 对应于MATLAB中 inv() 函数# 矩阵对象可以通过 .I 更方便的求逆A = np.matrix(a)print(A.I)2. 矩阵求伪逆import numpy as np# 定义一个奇异阵 A...
numpy对角矩阵的逆矩阵求法
03-21
### 使用 NumPy 计算对角矩阵的逆矩阵 在数值计算中，对角矩阵是一种特殊的方阵，其非对角线上的元素均为零。对于一个可逆的对角矩阵 \( D \)，它的逆矩阵可以通过对其对角线上每个非零元素取倒数来获得。 #### 创建对角矩阵 可以使用 `numpy.diag` 函数创建一个对角矩阵。如果输入是一个一维数组，则该函数会将其作为对角线元素构建一个二维对角矩阵[^1]。 ```python import numpy as np # 定义对角线元素 diagonal_elements = np.array([2, 3, 4]) # 构建对角矩阵 D = np.diag(diagonal_elements) print("原始对角矩阵:") print(D) ``` #### 计算对角矩阵的逆矩阵 为了计算对角矩阵的逆矩阵，可以直接利用 `numpy.linalg.inv` 函数。然而，由于对角矩阵的特点，也可以通过简单地对其对角线元素取倒数的方式实现这一操作[^2]。 以下是两种方法： ##### 方法 1: 使用 `numpy.linalg.inv` 这是通用的方法，适用于任何类型的可逆矩阵。 ```python # 使用 linalg.inv 计算逆矩阵 D_inv = np.linalg.inv(D) print("\n通过对 numpy.linalg.inv 得到的逆矩阵:") print(D_inv) ``` ##### 方法 2: 手动计算对角矩阵的逆矩阵 因为对角矩阵的特殊性质，只需对其对角线元素逐个取倒数即可得到逆矩阵。 ```python # 手动计算逆矩阵 inverse_diagonal = 1 / diagonal_elements D_manual_inv = np.diag(inverse_diagonal) print("\n手动计算得到的逆矩阵:") print(D_manual_inv) ``` 这两种方法的结果应该是相同的。 --- ### 验证结果 验证上述两种方法是否一致，可通过比较它们的输出或者检查两者的乘积是否接近单位矩阵。 ```python identity_matrix = np.dot(D, D_inv) print("\n验证 (原矩阵 × 逆矩阵):") print(identity_matrix) ``` 理想情况下，`identity_matrix` 应当非常接近于单位矩阵（即主对角线全为 1，其余位置全为 0），但由于浮点精度误差可能略有偏差[^4]。 --- ### 注意事项 - 如果对角矩阵中有任意一个对角线元素为零，则该矩阵不可逆。 - 当矩阵规模较大时，推荐优先考虑基于对角线特性的优化算法以提高效率。 ---
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值