【Python】【线性代数】用Python学习线性代数——矩阵

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【Python】【线性代数】用Python学习线性代数——矩阵，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2838字，纯文字阅读大概需要5分钟。

内容图文

文章目录

• 矩阵的表示方法
• 矩阵的转置
• 特殊矩阵
• 一维矩阵
• 方阵
• 对称矩阵
• 零矩阵
• 对角矩阵
• 单位矩阵
• 矩阵的加法运算

矩阵的表示方法

import numpy as np
a = np.array([[1, 2],
            [3, 4],
            [5, 6],
            [7, 8]])
print(a)
print(a.shape)

运行结果

[[1 2]
 [3 4]
 [5 6]
 [7 8]]	#矩阵
(4, 2)	#形状为4行2列

矩阵的转置

每个元素的行列号互换。

import numpy as np
a = np.array([[1, 2, 3, 4],
            [5, 6, 7, 8]])
print(a)
print(a.T)

运行结果

[[1 2 3 4]
 [5 6 7 8]]
[[1 5]
 [2 6]
 [3 7]
 [4 8]]

特殊矩阵

一维矩阵

也就是向量。

import numpy as np
a = np.array([[1, 2, 3, 4]])
print(a)
print(a.T)

运行结果

[[1 2 3 4]]
[[1]
 [2]
 [3]
 [4]]

方阵

方阵行列数相等。

import numpy as np
a = np.array([[1, 1, 1, 1],
            [2, 2, 2, 2],
            [3, 3, 3, 3],
            [4, 4, 4, 4]])
print(a)
print(a.shape)

运行结果

[[1 1 1 1]
 [2 2 2 2]
 [3 3 3 3]
 [4 4 4 4]]
(4, 4)

对称矩阵

如果矩阵与它转置后的矩阵相同，那么称这个矩阵为对称矩阵。即关于左上到右下的对角线互相对称的元素相等。

import numpy as np
a = np.array([[1, 2, 3, 4],
            [2, 5, 6, 7],
            [3, 6, 8, 9],
            [4, 7, 9, 0]])
print(a)
print(a.T)

[[1 2 3 4]
 [2 5 6 7]
 [3 6 8 9]
 [4 7 9 0]]
[[1 2 3 4]
 [2 5 6 7]
 [3 6 8 9]
 [4 7 9 0]]

零矩阵

元素全为0的矩阵。

import numpy as np
a = np.zeros([3, 4])	#zeros为创建零矩阵的方法
print(a)

运行结果：

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]	#3行4列的零矩阵

对角矩阵

非对角线位置上矩阵的元素全部为0。

import numpy as np
a = np.diag([1, 2, 3, 4, 5])	#diag为创建对角矩阵的方法
print(a)

运行结果：

[[1 0 0 0 0]
 [0 2 0 0 0]
 [0 0 3 0 0]
 [0 0 0 4 0]
 [0 0 0 0 5]]

单位矩阵

主对角线全为1的对角矩阵。

import numpy as np
a = np.eye(5)	#eye为创建单位矩阵的方法
print(a)

运行结果：

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]

矩阵的加法运算

$\left[ \begin{matrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{matrix} \right] + \left[ \begin{matrix} b_{11} & b_{12} & \cdots & b_{1n} \\ b_{21} & b_{22} & \cdots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ b_{m1} & b_{m2} & \cdots & b_{mn} \\ \end{matrix} \right] = \left[ \begin{matrix} a_{11}+b_{11} & a_{12}+b_{12} & \cdots & a_{1n}b_{1n} \\ a_{21}+b_{21} & a_{22}+b_{22} & \cdots & a_{2n}+b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1}+b_{m1} & a_{m2}+b_{m2} & \cdots & a_{mn}+b_{mn} \\ \end{matrix} \right]$??????a11?a21??am1??a12?a22??am2???????a1n?a2n??amn????????+??????b11?b21??bm1??b12?b22??bm2???????b1n?b2n??bmn????????=??????a11?+b11?a21?+b21??am1?+bm1??a12?+b12?a22?+b22??am2?+bm2???????a1n?b1n?a2n?+b2n??amn?+bmn????????

• 点赞
• 收藏
• 分享
• • 文章举报

内容总结

以上是互联网集市为您收集整理的【Python】【线性代数】用Python学习线性代数——矩阵全部内容，希望文章能够帮你解决【Python】【线性代数】用Python学习线性代数——矩阵所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端