NumPy 函数手册：线性代数

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”