np.linalg.inv方法详解

这篇具有很好参考价值的文章主要介绍了np.linalg.inv方法详解。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

代码

>>> import numpy
>>> ac = [[3, 4], [2,8]]
>>> ac = numpy.array(ac)
>>> print(numpy.linalg.inv(ac))
[[ 0.5    -0.25  ]
 [-0.125   0.1875]]
>>> print(numpy.linalg.inv(ac)*16)
[[ 8. -4.]
 [-2.  3.]]
>>> 

经过手动计算,额,技巧,得到的结果也是如此。
若是换成不可逆的矩阵呢?
看代码!

>>> import numpy
>>> bc = [[0,1],[0,3]]
>>> bc = numpy.array(bc)
>>> print(numpy.linalg.inv(bc))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<__array_function__ internals>", line 6, in inv
  File "/home/jiangyun/anaconda3/lib/python3.7/site-packages/numpy/linalg/linalg.py", line 547, in inv
    ainv = _umath_linalg.inv(a, signature=signature, extobj=extobj)
  File "/home/jiangyun/anaconda3/lib/python3.7/site-packages/numpy/linalg/linalg.py", line 97, in _raise_linalgerror_singular
    raise LinAlgError("Singular matrix")
numpy.linalg.LinAlgError: Singular matrix
>>> 

好像不行,那就换一个

>>> cd = [[1, 2], [3, 4], [22, 3]]
>>> cd = numpy.array(cd)
>>> print(numpy.linalg.inv(cd))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<__array_function__ internals>", line 6, in inv
  File "/home/jiangyun/anaconda3/lib/python3.7/site-packages/numpy/linalg/linalg.py", line 542, in inv
    _assert_stacked_square(a)
  File "/home/jiangyun/anaconda3/lib/python3.7/site-packages/numpy/linalg/linalg.py", line 213, in _assert_stacked_square
    raise LinAlgError('Last 2 dimensions of the array must be square')
numpy.linalg.LinAlgError: Last 2 dimensions of the array must be square

所以,这个函数是一个求方阵的逆矩阵的函数,要求方阵本身可逆,所以挺鸡肋的,对于很多不可逆的方阵是没办法的!文章来源地址https://www.toymoban.com/news/detail-516787.html

到了这里,关于np.linalg.inv方法详解的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Python】np.maximum()和np.minimum()函数详解和示例

    本文通过函数原理和运行示例,对np.maximum()和np.minimum()函数进行详解,以帮助大家理解和使用。 更多Numpy函数详解和示例,可参考 【Python】Numpy库近50个常用函数详解和示例,可作为工具手册使用 np.maximum() 是 NumPy 库中的一个函数,用于比较两个或更多个数组元素,并返回每

    2024年01月24日
    浏览(31)
  • python之np.sum()用法详解

        python库numpy提供的求和方法np.sum(),可以对数组和矩阵进行求和。sum方法可以接收多个参数,主要是数组a,坐标轴axis,数据类型dtype,初始值initial。其中,axis对于我们来说比较容易迷糊,这个值对求和有什么影响?一般来说,不设置axis这个参数,那么就是把数组或者矩阵所

    2024年02月02日
    浏览(31)
  • 【Python】数据科学工具(Numpy Pandas np.array() 创建访问数组 向量与矩阵 Series DataFrame)

    1.Numpy numpy是Python中一个非常重要的科学计算库,其最基础的功能就是N维数组对象——ndarray。 1.1 数组的创建 1)np.array() 用 np.array() 函数可以将Python的序列对象(如列表、元组)转换为ndarray数组。 2)arange、linspace、logspace np.arange(start, stop, step) :创建一个一维数组,其中的值

    2024年02月10日
    浏览(32)
  • Python中Numpy的np.array详解

    np.array 用于创建一个新的NumPy数组对象。其语法如下: object :任何可用于初始化新数组的对象,例如列表、元组、数组等。 dtype :新数组的数据类型。如果未指定,则会从输入对象中推断数据类型。 其他参数允许进一步控制新数组的创建。 返回一个新的NumPy数组。 示例

    2024年02月08日
    浏览(38)
  • 【知识点】Python 的np.prod函数详解

    np.prod 是Numpy库中的一个函数,全称为 numpy.prod ,它的作用是计算数组中所有元素的乘积。该函数是一个快速的计算积的方法,可以接收任意数组或矩阵作为输入,并返回这些数字的乘积。 举个例子: 上面的代码计算了数组 a 中的元素的乘积,最终结果为120。 除了可以计算数

    2024年02月05日
    浏览(40)
  • Python中的数组拼接函数——np.concatenate使用详解

    Python中的数组拼接函数——np.concatenate使用详解 在Python的numpy库中,提供了一个用于数组拼接的函数——np.concatenate。该函数可以将多个数组沿一个指定的轴方向进行拼接,生成一个新的数组。其中,被拼接的数组可以是1维或n维数组。 拼接数组的实现需要指定拼接的方式和拼

    2024年02月11日
    浏览(33)
  • python中np.where()的使用方法

    np.where有两种用法 np.where(condition, x, y) 当 where 内有 三个参数 时,第一个参数表示条件,当条件成立时 where 方法返回 x,当条件不成立时 where 返回 y np.where(condition) 当 where 内只有 一个参数 时,那个参数表示条件,当条件成立时,where 返回的是每个符合 condition 条件元素的坐标

    2024年02月12日
    浏览(25)
  • 奇异矩阵报错处理numpy.linalg.LinAlgError: singular matrix

    奇异矩阵出现的原因是因为出现了相同的一行或者一列 numpy.linalg.LinAlgError: singular matrix报错位置在 a数据转置发生了错误,因为a数据在添加数据的时候,添加重复了一列。 或者因为产生了a奇异矩阵,用异常处理语句 try: except:重新处理a矩阵

    2024年02月15日
    浏览(31)
  • Python,Numpy中随机抽样的函数 np.random.choice()详解

    np.random.choice() 是NumPy库中的一个函数,用于从给定的一维数组或可迭代对象中随机抽样。这个函数具有以下参数和功能: 参数 a :表示从中抽取随机样本的数组或整数。如果 a 是一个整数,则抽样将从 np.arange(a) 中进行。 size :输出样本的大小。默认情况下,返回单个值。你

    2024年02月06日
    浏览(35)
  • numpy.linalg.lstsq()详解以及用法示例

    将最小二乘解返回到线性矩阵方程。 计算近似求解方程的向量x。 该方程可能未确定、良好或过度确定(即,线性独立行数可以小于、等于或大于其线性独立列数)。 如果a是平方且为全秩,则x(但对于舍入误差)是等式的\\\"精确\\\"解。否则,x最小化欧几里得 2 范数 。 如果有

    2023年04月09日
    浏览(24)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包