网易首页 > 网易号 > 正文 申请入驻

NumPy 函数手册:线性代数

0
分享至

在线性代数、科学计算以及机器学习中,经常需要进行矩阵乘法、求解线性方程组、矩阵分解以及向量与矩阵范数计算等操作。NumPy 提供了一组线性代数函数,主要集中在 numpy.linalg 模块中,用于完成这些运算。

这些函数采用高度向量化实现,并调用底层高性能数学库(如 BLAS 与 LAPACK),能够高效处理向量与矩阵计算任务。

按照功能划分,NumPy 中常用的线性代数函数通常可以分为以下几类:

(1)矩阵与向量乘法及幂运算

(2)矩阵分解

(3)线性方程组求解

(4)矩阵特征值与特征向量

(5)矩阵范数与条件数

(6)矩阵逆与伪逆

(7)矩阵行列式与秩

一、矩阵与向量乘法及幂运算

matmul()

用于执行矩阵乘法运算(Matrix Multiplication)。与 Python 的 @ 运算符等价。

numpy.matmul(a, b)

参数说明:

• a:输入数组或矩阵

• b:输入数组或矩阵

函数行为说明:

当输入为高维数组时,matmul() 会对最后两个维度执行矩阵乘法,其余维度作为批处理维度。

示例:

#  [43 50]]

等价写法:

A @ B

dot()

计算向量点积或矩阵乘法(Dot Product)。

numpy.dot(a, b)

函数行为说明:

• 对一维数组执行向量点积

• 对二维数组执行矩阵乘法

• 对更高维数组按照最后一维与倒数第二维进行乘法运算

参数说明:

• a:输入数组或矩阵

• b:输入数组或矩阵

示例 1:向量点积

# 32

解释:

1×4 + 2×5 + 3×6 = 32

示例 2:矩阵乘法

#  [43 50]]

在二维矩阵场景下,dot() 与 matmul() 的结果通常一致;但在更高维数组上,两者的广播与乘法语义并不完全相同,实际使用中通常更推荐使用 matmul() 或 @ 表达矩阵乘法。

multi_dot()

计算多个矩阵的连乘,并自动选择较优的乘法顺序。

numpy.linalg.multi_dot(arrays)

参数说明:

• arrays:由多个数组组成的序列

示例:

#  [143]]

该运算等价于:

(A @ B) @ C

multi_dot() 会自动选择更高效的矩阵乘法顺序,特别适用于多个矩阵连乘的场景。

matrix_power()

计算方阵的整数次幂(Matrix Power)。

numpy.linalg.matrix_power(a, n)

参数说明:

• a:输入方阵

• n:整数幂,可以为正整数、负整数或 0

返回:

a 的 n 次幂,结果形状与原矩阵相同。

函数行为说明:

• 当 n > 0 时,计算 a 的正整数次幂

• 当 n = 0 时,返回与 a 同形状的单位矩阵

• 当 n < 0 时,先计算 a 的逆矩阵,再求其 |n| 次幂

• 若 a 不是方阵,或 n < 0 且矩阵不可逆,则会报错

示例 1:

#  [15 22]]

示例 2:

#  [0 1]]

示例 3:

# 等价于 np.linalg.inv(A)

matrix_power() 适用于状态转移矩阵、递推关系、图路径计数等问题。它计算的是矩阵乘法意义下的幂,不是元素逐个求幂;若需要逐元素幂运算,应使用 ** 或 np.power()。

二、矩阵分解

svd()

奇异值分解(Singular Value Decomposition)。

完整形式:

numpy.linalg.svd(a, full_matrices=True, compute_uv=True)

常用形式:

numpy.linalg.svd(a)

参数说明:

• a:输入矩阵

返回:

U, S, Vt

其中:

• U:左奇异向量矩阵

• S:奇异值数组

• Vt:右奇异向量矩阵的转置

示例:

U, S, Vt = np.linalg.svd(A)

奇异值分解广泛应用于:

• 主成分分析(PCA)

• 降维

• 矩阵近似

svdvals()

计算矩阵的奇异值,但不返回奇异向量。

numpy.linalg.svdvals(a)

参数说明:

• a:输入矩阵

示例:

np.linalg.svdvals(A)

若只需要奇异值而不需要奇异向量,可直接使用该函数。

qr()

QR 分解。

numpy.linalg.qr(a)

参数说明:

• a:输入矩阵

返回:

Q, R

其中:

• Q:正交矩阵

• R:上三角矩阵

示例:

Q, R = np.linalg.qr(A)

QR 分解常用于最小二乘问题以及数值稳定的线性方程求解。

cholesky()

Cholesky 分解。

numpy.linalg.cholesky(a)

参数说明:

• a:输入方阵,必须是对称正定矩阵

返回:

L

满足:

A = L @ L.T

示例:

L = np.linalg.cholesky(A)

Cholesky 分解常用于:

• 协方差矩阵分解

• 数值优化

• 高效求解线性方程组

三、线性方程组求解

solve()

用于求解满秩方阵对应的线性方程组。若系数矩阵奇异或不是方阵,应考虑 lstsq() 等方法。

numpy.linalg.solve(a, b)

参数说明:

• a:系数矩阵

• b:常数向量

求解:

Ax = b

示例:

# [2. 3.]

结果即为:

y = 3

lstsq()

最小二乘解(Least Squares Solution)。

numpy.linalg.lstsq(a, b, rcond=None)

参数说明:

• a:系数矩阵

• b:目标向量

• rcond:截断阈值

示例:

x, residuals, rank, s = np.linalg.lstsq(A, b, rcond=None)

最小二乘法常用于:

• 线性回归

• 数据拟合

四、矩阵特征值与特征向量

eig()

计算矩阵特征值与特征向量。

numpy.linalg.eig(a)

参数说明:

• a:方阵

返回:

w, v

其中:

• w:特征值

• v:特征向量

示例:

# [2. 3.]

特征值分解常用于:

• PCA

• 动态系统分析

• 马尔可夫链

eigh()

计算实对称矩阵或 Hermitian 矩阵的特征值与特征向量。

numpy.linalg.eigh(a)

参数说明:

• a:实对称矩阵或 Hermitian 矩阵

返回:

w, v

其中:

• w:特征值

• v:特征向量

eigh() 专门用于实对称矩阵或 Hermitian 矩阵,通常比 eig() 更适合这类问题,数值上也更稳定。常用于:

• 协方差矩阵分析

• 主成分分析(PCA)

eigvals()

计算矩阵特征值,但不返回特征向量。

numpy.linalg.eigvals(a)

参数说明:

• a:输入方阵

示例:

# [2. 3.]

eigvals() 返回一般方阵的特征值,不返回特征向量。结果通常不保证排序;对于实矩阵,特征值也可能为复数。

eigvalsh()

计算实对称矩阵或 Hermitian 矩阵的特征值,但不返回特征向量。

numpy.linalg.eigvalsh(a, UPLO='L')

参数说明:

• a:实对称矩阵或 Hermitian 矩阵

• UPLO:指定使用矩阵的哪一部分参与计算

- 'U':使用上三角部分

返回:

按升序排列的特征值数组。

示例:

# array([1., 3.])

eigvalsh() 与 eigh() 类似,适用于实对称矩阵或复 Hermitian 矩阵。二者的区别在于:

• eigh():返回特征值和特征向量

• eigvalsh():只返回特征值

因此,当只关心特征值而不需要特征向量时,eigvalsh() 更直接,也更节省计算开销。

五、矩阵范数与条件数

norm()

计算向量或矩阵范数(Norm)。

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

参数说明:

• x:输入向量或矩阵

• ord:范数类型。ord 的具体含义取决于输入对象(向量或矩阵)

对于矩阵,ord=None 时通常对应默认矩阵范数;ord 的具体解释应结合输入维度理解

• axis:指定沿哪个轴计算范数

• keepdims:是否保留被约简的维度

示例:

# 5.0

这里计算的是向量长度(欧几里得范数): 。

cond()

计算矩阵条件数(Condition Number)。默认计算基于 2-范数的条件数。

numpy.linalg.cond(x, p=None)

参数说明:

• x:输入矩阵

• p:范数类型,默认使用 2-范数条件数

示例:

np.linalg.cond(A)

条件数用于衡量矩阵的数值稳定性:条件数越大,数值误差越容易放大。

六、矩阵逆与伪逆

inv()

计算矩阵的逆矩阵。

numpy.linalg.inv(a)

参数说明:

• a:方阵

示例:

np.linalg.inv(A)

输入必须是方阵,且该方阵可逆;否则会引发线性代数错误。

在数值计算中,若目的是求解线性方程组,通常优先使用 solve(),而不是先求逆再相乘。

pinv()

计算矩阵的伪逆(Moore-Penrose Pseudoinverse)。

numpy.linalg.pinv(a)

参数说明:

• a:输入矩阵

示例:

np.linalg.pinv(A)

伪逆常用于:

• 不可逆矩阵

• 线性回归

• 最小二乘问题

七、矩阵行列式与秩

det()

计算矩阵行列式(Determinant)。

numpy.linalg.det(a)

参数说明:

• a:方阵

示例:

# -2.0

行列式为 0 表示矩阵不可逆。

matrix_rank()

计算矩阵秩(Matrix Rank)。

numpy.linalg.matrix_rank(a)

参数说明:

• a:输入矩阵

示例:

# 1

矩阵秩表示矩阵中线性无关行(或列)的数量。

slogdet()

以更稳定的方式计算矩阵行列式的符号与对数绝对值。

numpy.linalg.slogdet(a)

参数说明:

• a:输入方阵

返回:

• sign:行列式的符号

• logabsdet:行列式绝对值的自然对数,即 log(abs(det(a)))

示例:

print(logabsdet)  # 约 0.693147...

因为 det(A) = -2,所以其符号 sign = -1;又因为 abs(det(A)) = 2,故 logabsdet = log(2) ≈ 0.693147。

补充说明:

slogdet() 适合处理行列式绝对值很大或很小的矩阵。与直接计算 det() 相比,它在数值上更稳定,更不容易因为浮点数范围限制而产生上溢或下溢。若需要恢复原行列式,可利用:

det = sign * np.exp(logabsdet)

当矩阵行列式为 0 时,返回结果中 sign 为 0,logabsdet 为 -inf。

对复数矩阵,sign 可能是模长为 1 的复数,而不只是 -1、0、1。

小结

NumPy 在 numpy.linalg 模块中提供了一组用于线性代数计算的函数体系,包括矩阵与向量乘法及幂运算(matmul、dot、multi_dot、matrix_power)、矩阵分解(svd、qr、cholesky)、线性方程组求解(solve、lstsq)、特征值与特征向量计算(eig、eigh、eigvals、eigvalsh),以及范数、条件数、逆矩阵、伪逆、行列式、对数行列式和矩阵秩等分析工具。这些函数广泛应用于科学计算、机器学习、信号处理与数值优化等领域。

“点赞有美意,赞赏是鼓励”

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
薇娅找了个好老公,东南亚的生意做大了,一年入账 34 亿

薇娅找了个好老公,东南亚的生意做大了,一年入账 34 亿

起点财经
2026-11-17 08:46:25
琥珀王座!波兰总统偷摸给特朗普送厚礼引发争议

琥珀王座!波兰总统偷摸给特朗普送厚礼引发争议

俄语大世界
2026-11-19 08:04:25
崩溃!退役吧,被主教练点名,真打不了NBA……

崩溃!退役吧,被主教练点名,真打不了NBA……

体育新角度
2026-11-18 14:49:51
妻子出轨,丈夫将15公分蜡烛塞进妻子的阴道内

妻子出轨,丈夫将15公分蜡烛塞进妻子的阴道内

胖胖侃咖
2025-04-13 08:00:08
又一国宣布:加息!金价,重挫!

又一国宣布:加息!金价,重挫!

证券时报
2026-11-18 17:28:04
宋喆出狱3年县城搬菜日结50块,前妻仓库2000平年营业额1200万,网友吵翻:谁更清醒

宋喆出狱3年县城搬菜日结50块,前妻仓库2000平年营业额1200万,网友吵翻:谁更清醒

迪迪的娱乐故事
2026-11-07 08:36:34
截胡iPhone 20 Pro!三星无边框旗舰率先登场:正面近乎全是屏

截胡iPhone 20 Pro!三星无边框旗舰率先登场:正面近乎全是屏

快科技
2026-11-18 07:23:03
西班牙U17主帅:中国队很危险,他们在亚洲取得了很好的成绩

西班牙U17主帅:中国队很危险,他们在亚洲取得了很好的成绩

懂球帝
2026-11-18 13:23:42
同样是抵达马尼拉,中国代表和日本首相的接机规格,差在哪?

同样是抵达马尼拉,中国代表和日本首相的接机规格,差在哪?

爱下厨的阿酾
2026-11-18 03:37:45
大风追踪|11岁男孩患白血病去世,重医儿童医院被判赔54万余元,医院不服终审判决申请再审遭驳回

大风追踪|11岁男孩患白血病去世,重医儿童医院被判赔54万余元,医院不服终审判决申请再审遭驳回

大风新闻
2026-11-18 20:01:05
俄总统特别代表称赞深圳:巨大、美丽且非常现代化,既是“未来之城”也是“自然之城”

俄总统特别代表称赞深圳:巨大、美丽且非常现代化,既是“未来之城”也是“自然之城”

环球网资讯
2026-11-18 11:06:11
没有国家队后勤托底,方博自费参赛拿下WTT冠军!在他直播间,我默默下了一单袜子,微薄支持!

没有国家队后勤托底,方博自费参赛拿下WTT冠军!在他直播间,我默默下了一单袜子,微薄支持!

开成运动会
2026-11-18 23:51:12
牡丹花下死?汪峰将森林北踢出局,这次终于彻底印证葛荟婕的评价

牡丹花下死?汪峰将森林北踢出局,这次终于彻底印证葛荟婕的评价

历史的烟火
2026-08-14 15:48:04
已经抵达深圳,中国台北代表施振荣,向大陆喊话,港媒点评亮了

已经抵达深圳,中国台北代表施振荣,向大陆喊话,港媒点评亮了

DS北风
2026-11-18 16:26:03
文班亚马谈哈珀受伤:这种感觉太糟糕了 我只希望他没事

文班亚马谈哈珀受伤:这种感觉太糟糕了 我只希望他没事

北青网-北京青年报
2026-11-19 08:15:02
“寝室没一个面相正常的”,女生宿舍跳舞视频走红,精气神儿却输了:滤镜下的那张脸,和一群断了线的风筝

“寝室没一个面相正常的”,女生宿舍跳舞视频走红,精气神儿却输了:滤镜下的那张脸,和一群断了线的风筝

蝴蝶花雨话教育
2026-11-17 00:05:18
黄金大跌!高盛却做出一个大胆的未来预测

黄金大跌!高盛却做出一个大胆的未来预测

上观新闻
2026-11-18 15:32:31
乌克兰:悔到肠子青,当年卖给中国3架"废铁",如今成大国重器?

乌克兰:悔到肠子青,当年卖给中国3架"废铁",如今成大国重器?

唠叨说历史
2026-11-18 15:06:45
广西鼓励探索每月一周2.5天弹性休假,中小学春秋各安排2至4天“春秋假”

广西鼓励探索每月一周2.5天弹性休假,中小学春秋各安排2至4天“春秋假”

上观新闻
2026-11-18 18:09:30
75岁老太旅游被骗买了一件佛陀木雕,4年后,她得了6套海景房

75岁老太旅游被骗买了一件佛陀木雕,4年后,她得了6套海景房

磊子讲史
2025-07-07 12:41:11
2026-11-19 08:52:49
MediaTea
MediaTea
专业的数字媒体、新媒体技术
2320文章数 85关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

旅游
教育
房产
亲子
家居

旅游要闻

青岛冬日赏鸥地图|沿着海岸线,赴一场海鸥之约

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

房产要闻

6.6亿!海口卖地!

亲子要闻

宝宝气人但是聪明的4个行为

家居要闻

2026建博会(广州) 公装联探展交流活动

无障碍浏览 进入关怀版