SciPy 线性代数_scipy.linalg.eig

---

SciPy线性代数包是使用优化的ATLAS LAPACK和BLAS库构建的，具有高效的线性代数运算能力。

线性代数包里的函数，操作对象都是二维数组。

SciPy.linalg 与 NumPy.linalg
与NumPy.linalg相比，scipy.linalg除了包含numpy.linalg中的所有函数，还具有numpy.linalg中没有的高级功能。

线性方程组求解

scipy.linalg.solve 函数可用于解线性方程。例如，对于线性方程$a\ast x+b\ast y=z$，求出未知数x, y值。

示例

解下面的联立方程组：

$$\begin{gathered} x+3y+5z=10 \\ 2x+5y+z=8 \\ 2x+3y+8z=3 \end{gathered}$$

上面的方程组，可以用矩阵表示为：

$$
\left[
\begin{matrix}
1 & 3 & 5 \
2 & 5 & 1 \
2 & 3 & 8
\end{matrix}
\right]

\left[

$$\begin{matrix} x \ y \ z \end{matrix}$$
\right] =

\left[

$$\begin{matrix} 10 \ 8 \ 3 \end{matrix}$$
\right]

$$

利用矩阵求解上面方程组，如下图所示：

$$
\left[
\begin{matrix}
x \
y \
z
\end{matrix}
\right]

=

\left[

$$\begin{matrix} 1 & 3 & 5 \ 2 & 5 & 1 \ 2 & 3 & 8 \end{matrix}$$
\right]^{-1}

\left[

$$\begin{matrix} 10 \ 8 \ 3 \end{matrix}$$
\right]

= \frac{1}{25}

\left[

$$\begin{matrix} -232 \ 129 \ 19 \end{matrix}$$
\right]

=

\left[

$$\begin{matrix} -9.28 \ 5.16 \ 0.76 \end{matrix}$$
\right]

$$

下面我们使用scipy来求解。

scipy.linalg.solve函数接受两个输入，数组a和数组b，数组a表示系数，数组b表示等号右侧值，求出的解将会放在一个数组里返回。

让我们考虑下面的例子。

# 导入scipy和numpy包
from scipy import linalg
import numpy as np

# 声明numpy数组
a = np.array([[1, 3, 5], [2, 5, 1], [2, 3, 8]])
b = np.array([10, 8, 3])

# 求解
x = linalg.solve(a, b)

# 输出解值
print (x)
1
2
3
4
5
6
7
8
9
10
11
12
13

输出

[-9.28  5.16  0.76]
1

计算行列式

矩阵A的行列式表示为$|A|$，行列式计算是线性代数中的常见运算。

SciPy中，可以使用det()函数计算行列式，它接受一个矩阵作为输入，返回一个标量值，即该矩阵的行列式值。

示例

# 导入scipy和numpy包
from scipy import linalg
import numpy as np

# 声明numpy数组
A = np.array([[3,4],[7,8]])

# 计算行列式
x = linalg.det(A)

# 输出结果
print (x)
1
2
3
4
5
6
7
8
9
10
11
12

输出

-4.0
1

求取特征值与特征向量

求取矩阵的特征值、特征向量，也是线性代数中的常见计算。

通常，可以根据下面的关系，求取矩阵(A)的特征值(λ)、特征向量(v)：

$$Av=\lambda v$$

scipy.linalg.eig 函数可用于计算特征值与特征向量，函数返回特征值和特征向量。

示例

# 导入scipy和numpy包
from scipy import linalg
import numpy as np

# 声明numpy数组
A = np.array([[3,4],[7,8]])

# 求解
l, v = linalg.eig(A)

# 打印特征值
print('特征值')
print (l)

# 打印特征向量
print('特征向量')
print (v)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

上面的程序将生成以下输出。

特征值
[-0.35234996+0.j 11.35234996+0.j]
特征向量
[[-0.76642628 -0.43192981]
 [ 0.64233228 -0.90190722]]
1
2
3
4
5

SVD奇异值分解

奇异值分解(SVD)是现在比较常见的算法之一，也是数据挖掘工程师、算法工程师必备的技能之一。 假设A是一个$M\times N$的矩阵，那么通过矩阵分解将会得到$U，\Sigma ，V^T$（V的转置）三个矩阵，其中U是一个$M\times M$的方阵，被称为左奇异向量，方阵里面的向量是正交的；Σ是一个$M\times N$的对角矩阵，除了对角线的元素其他都是0，对角线上的值称为奇异值；$V^T$(V的转置)是一个$N\times N$的矩阵，被称为右奇异向量，方阵里面的向量也都是正交的。

$$A_{m\times n}=U_{m\times m}{\Sigma }_{m\times n}{V}_{n\times n}^T$$

让我们考虑下面的例子。

# 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)

# 输出原矩阵
print('原矩阵')
print(a)

# 求解
U, s, Vh = linalg.svd(a)

# 输出结果
print('奇异值分解')
print(U, "#U")
print(Vh, "#Vh")
print(s, "#s")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

上面的程序将生成以下输出。

原矩阵
[[ 1.81840014+0.16615057j -0.47446573-2.36327076j]
 [-0.19366846-0.44489565j -0.03227288+0.02260894j]
 [-0.91921239-0.99340761j -1.33606096+0.40858722j]]
奇异值分解
[[-0.84399035+0.03548862j -0.1574924 +0.44602345j  0.08723906-0.23466874j]
 [ 0.03893388+0.08672055j -0.19156838-0.45118633j -0.02718865-0.86600053j]
 [ 0.23121352+0.47320699j -0.71944217+0.13562682j  0.41089761+0.13336765j]] #U
[[-0.63461867+0.j          0.05670247+0.77074248j]
 [ 0.77282543+0.j          0.04656219+0.63290822j]] #Vh
[3.55734783 0.7144458 ] #s


1
2
3
4
5
6
7
8
9
10
11
12
13