9. NumPy 线性代数：矩阵运算与科学计算基础

NumPy 线性代数：矩阵运算与科学计算基础

线性代数是科学计算、数据分析和机器学习的核心基础。矩阵运算、向量点积、矩阵求逆、特征值分解等操作在实际问题中无处不在。NumPy 提供了强大的线性代数工具，能够高效处理大规模矩阵运算。

本文将系统讲解 NumPy 线性代数 的核心功能：

向量与矩阵的基本操作
点积、内积与外积
矩阵转置与逆矩阵
行列式与秩
特征值与特征向量
解线性方程组

1. 向量与矩阵的基本操作

在 NumPy 中，向量和矩阵都使用数组表示：

python 复制代码

import numpy as np

# 向量
v = np.array([1, 2, 3])

# 矩阵
A = np.array([[1, 2],
              [3, 4]])
B = np.array([[5, 6],
              [7, 8]])

print("向量 v:", v)
print("矩阵 A:\n", A)

向量 v: $1 2 3$

矩阵 A:
$\[1 2$ $3 4\]$

NumPy 数组既可以表示向量，也可以表示矩阵。
使用二维数组表示矩阵，操作方便且效率高。

2. 点积、内积与外积

2.1 向量点积

python 复制代码

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

dot_product = np.dot(x, y)
print("点积:", dot_product)  # 32

点积: 32

2.2 外积

python 复制代码

outer_product = np.outer(x, y)
print("外积:\n", outer_product)

外积:
$\[ 4 5 6$ $8 10 12$ $12 15 18\]$

2.3 矩阵乘法

python 复制代码

C = np.dot(A, B)
print("矩阵乘法 A·B:\n", C)

矩阵乘法 A·B:
$\[19 22$ $43 50\]$

注意：* 表示逐元素乘法，而 np.dot() 或 @ 表示矩阵乘法。

python 复制代码

print("逐元素乘法 A*B:\n", A*B)
print("矩阵乘法 A@B:\n", A@B)

逐元素乘法 A*B:
$\[ 5 12$ $21 32\]$
矩阵乘法 A@B:
$\[19 22$ $43 50\]$

3. 矩阵转置与逆矩阵

矩阵的转置和求逆是线性代数中的基本操作。

3.1 矩阵转置

python 复制代码

print("矩阵 A 转置:\n", A.T)

矩阵 A 转置:
$\[1 3$ $2 4\]$

3.2 矩阵求逆

python 复制代码

A_inv = np.linalg.inv(A)
print("矩阵 A 的逆矩阵:\n", A_inv)

# 验证 A·A_inv 是否为单位矩阵
print("A·A_inv:\n", A @ A_inv)

矩阵 A 的逆矩阵:
$\[-2. 1.$ $1.5 -0.5\]$
A·A_inv:
$\[1.0000000e+00 0.0000000e+00$ $8.8817842e-16 1.0000000e+00\]$

提示：只有方阵且行列式非零矩阵才可求逆。

4. 行列式与秩

行列式与秩反映了矩阵的重要性质。

4.1 行列式

python 复制代码

det_A = np.linalg.det(A)
print("矩阵 A 行列式:", det_A)

矩阵 A 行列式: -2.0000000000000004

4.2 矩阵秩

python 复制代码

rank_A = np.linalg.matrix_rank(A)
print("矩阵 A 秩:", rank_A)

矩阵 A 秩: 2

行列式为零意味着矩阵不可逆，而矩阵秩则反映了其行或列的线性独立性。

5. 特征值与特征向量

特征分解是 PCA、机器学习、物理建模中常用的工具。

python 复制代码

eig_vals, eig_vecs = np.linalg.eig(A)
print("特征值:", eig_vals)
print("特征向量:\n", eig_vecs)

特征值: $-0.37228132 5.37228132$

特征向量:
$\[-0.82456484 -0.41597356$ $0.56576746 -0.90937671\]$

通过特征分解，可以提取矩阵最重要的方向性信息。

6. 解线性方程组

线性方程组 Ax = b 可以直接使用 np.linalg.solve 求解：

python 复制代码

A = np.array([[3, 1],
              [1, 2]])
b = np.array([9, 8])

x = np.linalg.solve(A, b)
print("方程组解:", x)

# 验证 Ax 是否等于 b
print("验证 Ax:", A @ x)

方程组解: $2. 3.$

验证 Ax: $9. 8.$

相比手动计算逆矩阵再相乘，np.linalg.solve 更快更稳定。

7. 小结

NumPy 线性代数模块提供了强大且高效的矩阵运算工具，包括：

矩阵运算：点积、外积、矩阵乘法
矩阵特性：转置、逆矩阵、行列式、秩
特征分解：特征值与特征向量
线性方程组求解 ：np.linalg.solve

这些工具是科学计算、机器学习和数据分析中的核心基础，掌握它们可以为后续算法实现和数值模拟打下坚实基础。

上一篇：8. NumPy 随机数生成与概率分布

下一篇：10. NumPy 广播机制（Broadcasting）：高效数组运算