SciPy - Linalg
SciPy 是使用优化的 ATLAS LAPACK 和 BLAS 库构建的。它具有非常快速的线性代数功能。所有这些线性代数例程都需要一个可以转换为二维数组的对象。这些例程的输出也是一个二维数组。
SciPy.linalg 与 NumPy.linalg
scipy.linalg 包含 numpy.linalg 中的所有函数。此外,scipy.linalg 还具有 numpy.linalg 中没有的一些其他高级函数。与 numpy.linalg 相比,使用 scipy.linalg 的另一个优点是它始终使用 BLAS/LAPACK 支持进行编译,而对于 NumPy,这是可选的。因此,根据 NumPy 的安装方式,SciPy 版本可能会更快。
线性方程
scipy.linalg.solve 功能可求解线性方程 a * x + b * y = Z,其中 x、y 值为未知值。
例如,假设需要求解以下联立方程。
x + 3y + 5z = 10
2x + 5y + z = 8
2x + 3y + 8z = 3
要求解上述方程中的 x、y、z 值,我们可以使用矩阵逆来找到解向量,如下所示。
$$\begin{bmatrix} x\ y\ z \end{bmatrix} = \begin{bmatrix} 1 & 3 & 5\ 2 & 5 & 1\ 2 & 3 & 8 \end{bmatrix}^{-1} \begin{bmatrix} 10\ 8\ 3 \end{bmatrix} = \frac{1}{25} \begin{bmatrix} -232\ 129\ 19 \end{bmatrix} = \begin{bmatrix} -9.28\ 5.16\ 0.76 \end{bmatrix}.$$
但是,最好使用 linalg.solve 命令,该命令速度更快,数值更稳定。
solve 函数接受两个输入"a"和"b",其中"a"表示系数,"b"表示相应的右侧值,并返回解决方案数组。
让我们考虑以下示例。
#导入 scipy 和 numpy 包 from scipy import linalg import numpy as np #声明 numpy 数组 a = np.array([[3, 2, 0], [1, -1, 0], [0, 5, 1]]) b = np.array([2, 4, -1]) #将值传递给 resolve 函数 x = linalg.solve(a, b) #打印结果数组 print x
上述程序将生成以下输出。
array([ 2., -2., 9.])
查找行列式
方阵 A 的行列式通常表示为 |A|,是线性代数中经常使用的量。在 SciPy 中,这是使用 det() 函数计算的。它以矩阵作为输入并返回标量值。
让我们考虑以下示例。
#导入 scipy 和 numpy 包 from scipy import linalg import numpy as np #声明 numpy 数组 A = np.array([[1,2],[3,4]]) #将值传递给 det 函数 x = linalg.det(A) #打印结果 print x
上述程序将生成以下输出。
-2.0
特征值和特征向量
特征值-特征向量问题是最常用的线性代数运算之一。我们可以通过考虑以下关系 − 来找到方阵 (A) 的特征值 (λ) 和相应的特征向量 (v)。
Av = λv
scipy.linalg.eig 根据普通或广义特征值问题计算特征值。此函数返回特征值和特征向量。
让我们考虑以下示例。
#导入 scipy 和 numpy 包 from scipy import linalg import numpy as np #声明 numpy 数组 A = np.array([[1,2],[3,4]]) #将值传递给 eig 函数 l, v = linalg.eig(A) #打印特征值的结果 print l #打印特征向量的结果 print v
上述程序将生成以下输出。
array([-0.37228132+0.j, 5.37228132+0.j]) #--Eigen Values array([[-0.82456484, -0.41597356], #--Eigen Vectors [ 0.56576746, -0.90937671]])
奇异值分解
奇异值分解 (SVD) 可以看作是特征值问题对非方阵的扩展。
scipy.linalg.svd 将矩阵"a"分解为两个酉矩阵"U"和"Vh"以及奇异值(实数,非负)的一维数组"s",使得 a == U*S*Vh,其中"S"是具有主对角线"s"的适当形状的零矩阵。
让我们考虑以下示例。
#导入 scipy 和 numpy 包 from scipy import linalg import numpy as np #声明 numpy 数组 a = np.random.randn(3, 2) + 1.j*np.random.randn(3, 2) #将值传递给 eig 函数 U, s, Vh = linalg.svd(a) #打印结果 print U, Vh, s
上述程序将生成以下输出。
( array([ [ 0.54828424-0.23329795j, -0.38465728+0.01566714j, -0.18764355+0.67936712j], [-0.27123194-0.5327436j , -0.57080163-0.00266155j, -0.39868941-0.39729416j], [ 0.34443818+0.4110186j , -0.47972716+0.54390586j, 0.25028608-0.35186815j] ]), array([ 3.25745379, 1.16150607]), array([ [-0.35312444+0.j , 0.32400401+0.87768134j], [-0.93557636+0.j , -0.12229224-0.33127251j] ]) )