python矩阵运算.docxVIP

python矩阵运算第一次看见Python的运行感觉就让我想起了matlab，于是就上网嗖嗖他在矩阵方面的运算如何，如果不想安装Matlab那么大的软件，而你又只是想计算些矩阵，python绝对够用！尤其在Linux下太方便了Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包，需要导入numpy。SciPy包以NumPy包为基础，大大的扩展了numpy的能力。为了使用的方便，scipy包在最外层名字空间中包括了所有的numpy内容，因此只要导入了scipy，不必在单独导入numpy了！但是为了明确哪些是numpy中实现的，哪些是scipy中实现的，本文还是进行了区分。以下默认已经：import numpy as np以及imporscipy as sp下面简要介绍Python和MATLAB处理数学问题的几个不同点。1.MATLAB的基本是矩阵，而numpy的基本类型是多为数组，把matrix看做是array的子类。2.MATLAB的索引从1开始，而numpy从0开始。1.建立矩阵a1=np.array([1,2,3],dtype=int) ? #建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。a2=np.array([[1,2,3],[2,3,4]]) ? #建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。同样，numpy中也有很多内置的特殊矩阵：b1=np.zeros((2,3)) ? ?#生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有ones()建立全1矩阵。empty()建立一个空矩阵，使用内存中的随机值来填充这个矩阵。b2=identity(n) ? #建立n*n的单位阵，这只能是一个方阵。b3=eye(N,M=None,k=0) ? ?#建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like()，它们的参数均为如此形式：zeros_like(a,dtype=)，其中，a是一个已知的数组。c1=np.arange(2,3,0.1) ? #起点，终点，步长值。含起点值，不含终点值。c2=np.linspace(1,4,10) ? ?#起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数d1=panion(a) ? ?#伴随矩阵d2=np.linalg.triu()/tril() ? #作用同MATLAB中的同名函数e1=np.random.rand(3,2) ? ?#产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数fliplr()/flipud()/rot90() ? ?#功能类似MATLAB同名函数。xx=np.roll(x,2) ? #roll()是循环移位函数。此调用表示向右循环移动2位。2.数组的特征信息先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了Python面向对象的特征。X.flags ? ?#数组的存储情况信息。X.shape ? ?#结果是一个tuple，返回本数组的行数、列数、……X.ndim ? #数组的维数，结果是一个数X.size ? ?#数组中元素的数量X.itemsize ? ?#数组中的数据项的所占内存空间大小X.dtype ? ?#数据类型X.T ? #如果X是矩阵，发挥的是X的转置矩阵X.trace() ? ?#计算X的迹np.linalg.det(a) ? #返回的是矩阵a的行列式np.linalg.norm(a,ord=None) ? ?#计算矩阵a的范数np.linalg.eig(a) ? ?#矩阵a的特征值和特征向量np.linalg.cond(a,p=None) ? ?#矩阵a的条件数np.linalg.inv(a) ? ?#矩阵a的逆矩阵3.矩阵分解常见的矩阵分解函数，numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法为了方便计算或者针对不同的特殊情况，还给出了多种调用形式，以便得到最佳结果。4.矩阵运算np.dot(a,b)用来计算数组的点积；vdot(a,b)专门计算矢量的点积，和dot()的区别在于对complex数据类