【NumPy】NumPy线性代数模块详解：掌握numpy.linalg的核心功能

🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式+人工智能领域，具备多年的嵌入式硬件产品研发管理经验。

📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向的学习指导、简历面试辅导、技术架构设计优化、开发外包等服务，有需要可加文末联系方式联系。

💬 博主粉丝群介绍：① 群内高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

NumPy线性代数模块详解：掌握numpy.linalg的核心功能

1. NumPy库介绍
2. linalg 模块介绍
- 常用的 `numpy.linalg` 函数概述：
- 2.1 函数定义及参数说明
- - linalg.inv
  - linalg.det
  - linalg.eig
  - linalg.solve
  - linalg.norm
3. 示例代码
- 3.1 计算矩阵的逆矩阵
- 3.2 计算矩阵的行列式
- 3.3 计算矩阵的特征值与特征向量
- 3.4 解决线性方程组
- 3.5 计算矩阵或向量的范数
4. 实际应用：主成分分析（PCA）
5. 总结

在这里插入图片描述

1. NumPy库介绍

NumPy（Numerical Python）是Python编程语言的一个核心库，用于大量的科学计算。 NumPy提供了对大型、多维数组和矩阵的支持，并且附带了大量的数学函数库来进行这些数组的操作。它是许多高级数据分析和机器学习库的基础，比如Pandas、SciPy和Scikit-learn。

NumPy的主要优势在于其数组对象（ndarray），这种对象比Python列表更为高效，可以存储同类型的数据元素，并且支持各种复杂的数值运算。对于需要进行大量数值计算和数据处理的应用程序，NumPy是首选工具。

2. linalg 模块介绍

numpy.linalg 模块提供了一组用于线性代数的基础函数。这些函数涵盖了矩阵分解、矩阵特征值与特征向量、求解线性系统等操作。线性代数是科学计算中一个重要的部分，NumPy通过numpy.linalg模块为用户提供高效且功能齐全的线性代数工具。

常用的 `numpy.linalg` 函数概述：

linalg.inv: 计算矩阵的逆矩阵。
linalg.det: 计算矩阵的行列式。
linalg.eig: 计算矩阵的特征值与特征向量。
linalg.solve: 解决线性方程组。
linalg.norm: 计算矩阵或向量的范数。

2.1 函数定义及参数说明

linalg.inv

计算逆矩阵。

numpy.linalg.inv(a)

参数:

a: 输入方阵。

out: 输入矩阵的逆矩阵。

linalg.det

计算矩阵的行列式。

numpy.linalg.det(a)

参数:

a: 输入方阵。

行列式的值。

linalg.eig

计算矩阵的特征值与特征向量。

numpy.linalg.eig(a)

参数:

a: 输入方阵。

w: 特征值数组。
v: 特征向量构成的二维数组。

linalg.solve

解决线性方程组。

numpy.linalg.solve(a, b)

参数:

a: 系数矩阵。
b: 目标矩阵（或向量）。

解向量或矩阵。

linalg.norm

计算矩阵或向量的范数。

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False)

参数:

x: 输入数组。
ord: 范数类型（默认为2范数）。
axis: 计算范数的维度。
keepdims: 布尔值，是否保持原数组的维度。

范数值。

3. 示例代码

接下来我们通过一些示例代码来展示numpy.linalg模块的具体用法。

3.1 计算矩阵的逆矩阵

在这个示例中，我们将展示如何计算一个方阵的逆矩阵。

import numpy as np

# 创建一个二维数组表示矩阵
A = np.array([[1, 2],
              [3, 4]])

# 计算矩阵的逆矩阵
A_inv = np.linalg.inv(A)
print("Inverse of A:\n", A_inv)

输出如下：

Inverse of A:
 [[-2.   1. ]
  [ 1.5 -0.5]]

3.2 计算矩阵的行列式

行列式是矩阵的重要属性之一，尤其在求解线性方程和矩阵特征值时起重要作用。

import numpy as np

# 创建一个二维数组表示矩阵
A = np.array([[1, 2],
              [3, 4]])

# 计算矩阵的行列式
det_A = np.linalg.det(A)
print("Determinant of A:", det_A)

输出如下：

Determinant of A: -2.0000000000000004

3.3 计算矩阵的特征值与特征向量

特征值与特征向量在很多领域有应用，如振动分析、图像处理和物理学。

import numpy as np

# 创建一个二维数组表示矩阵
A = np.array([[1, 2],
              [2, 1]])

# 计算矩阵的特征值与特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
print("Eigenvalues of A:", eigenvalues)
print("Eigenvectors of A:\n", eigenvectors)

输出如下：

Eigenvalues of A: [ 3. -1.]
Eigenvectors of A:
 [[ 0.70710678 -0.70710678]
 [ 0.70710678  0.70710678]]

3.4 解决线性方程组

求解形如 (Ax = b) 的线性方程组。

import numpy as np

# 创建系数矩阵A和目标向量b
A = np.array([[3, 1],
              [1, 2]])
b = np.array([9, 8])

# 解决线性方程组
x = np.linalg.solve(A, b)
print("Solution x:", x)

输出如下：

Solution x: [2. 3.]

3.5 计算矩阵或向量的范数

范数是衡量矩阵或向量大小的一种方式。

import numpy as np

# 创建一个二维数组表示矩阵
A = np.array([[1, 2],
              [3, 4]])

# 计算矩阵的Frobenius范数
norm_A = np.linalg.norm(A)
print("Frobenius norm of A:", norm_A)

# 创建一个一维数组表示向量
v = np.array([1, 2, 3])

# 计算向量的2范数（欧几里得范数）
norm_v = np.linalg.norm(v)
print("2-norm of v:", norm_v)

输出如下：

Frobenius norm of A: 5.477225575051661
2-norm of v: 3.7416573867739413

4. 实际应用：主成分分析（PCA）

主成分分析（PCA）是数据降维的经典方法。这里我们展示如何使用 numpy.linalg 进行PCA实现。

import numpy as np

# 创建一个示例数据集
X = np.array([[2.5, 2.4], 
              [0.5, 0.7], 
              [2.2, 2.9], 
              [1.9, 2.2], 
              [3.1, 3.0], 
              [2.3, 2.7], 
              [2, 1.6], 
              [1, 1.1], 
              [1.5, 1.6], 
              [1.1, 0.9]])

# 减去数据的均值
X_mean = X - np.mean(X, axis=0)

# 计算协方差矩阵
cov_matrix = np.cov(X_mean, rowvar=False)

# 计算协方差矩阵的特征值与特征向量
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)

# 将特征值排序，并获得相应的特征向量
sorted_index = np.argsort(eigenvalues)[::-1]
sorted_eigenvalues = eigenvalues[sorted_index]
sorted_eigenvectors = eigenvectors[:, sorted_index]

# 选择前两个主成分
n_components = 2
eigenvector_subset = sorted_eigenvectors[:, 0:n_components]

# 将数据投影到主成分空间
X_reduced = np.dot(eigenvector_subset.transpose(), X_mean.transpose()).transpose()

print("Reduced data:\n", X_reduced)

输出如下：

Reduced data:
 [[ 0.82797019  0.17511531]
 [-1.77758033  0.14285723]
 [ 0.99219749  0.38437499]
 [ 0.27421042  0.13041721]
 [ 1.67580142 -0.20949846]
 [ 0.9129491   0.17528244]
 [ 0.09910944 -0.3498247 ]
 [-1.14457216  0.04641726]
 [-0.43804614  0.01776463]
 [-1.40196572 -0.384375  ]]