码农眼中的数学之～矩阵专栏（附Numpy讲解）

原创

逸鹏

发布于 2018-07-15 19:16:03

3.1K0

发布于 2018-07-15 19:16:03

文章被收录于专栏：逸鹏说道逸鹏说道

吐槽一下：矩阵本身不难，但是矩阵的写作太蛋疼了 (⊙﹏⊙)汗 还好有 Numpy，不然真的崩溃了...

LaTex有没有一个集成了很多常用 公式以及 推导或者含 题库的在线编辑器？

代码裤子：https://github.com/lotapp/BaseCode

在线编程系：https://mybinder.org/v2/gh/lotapp/BaseCode/master

数学基础：https://www.cnblogs.com/dotnetcrazy/p/9294292.html

Numpy基础：https://www.cnblogs.com/dotnetcrazy/p/9309555.html

原文：https://www.cnblogs.com/dotnetcrazy/p/9314518.html

2.1.矩阵的定义

矩阵：是一个按照长方阵列排列的复数或实数集合。

通俗讲就是：把数排成m行n列后，然后用中括号把它们括住，这种形式的组合就是矩阵了～ eg：

比如上面这个示例就是一个m × n的矩阵（m行n列的矩阵），如果m=n那么就叫做n阶方阵，eg:

如果回到中学，老师肯定都是通过一次方程组来引入矩阵（逆天的老师是这么讲的）：

如果你方程组都忘记怎么解的话...好吧还是说下吧：“比如这题，可以先把x2移到右边，这样x1就等于一个表达式了（x1=-x2-1），然后带入第二个表达式就可以解出x1和x2了，一次的其实两个表达式就可以解出了，剩下的你可以把值带进去验证一下”

2.2.矩阵的运算（含幂运算）

2.2.1.加、减

加减比较简单，就是对应元素相加减 (只有 行列都相同的矩阵才可以进行)

就不用麻烦的 LaTex一行行打了，咱们用更方便的 NumPy 来演示一下矩阵加法（不懂代码的直接看结果，不影响阅读的)

Numpy有专门的矩阵函数（np.mat），用法和 ndarray差不多，我们这边使用经常使用 ndarray类型，基础忘记了可以去查看一下：Numpy基础

扩展：矩阵的加法运算满足交换律：A + B = B + A (乘法不行)

import numpy as np

# 创建两个集合A = np.arange(1,10).reshape((3,3))B = np.arange(9).reshape((3,3))print(A)print("-"*5)print(B)

[[1 2 3] [4 5 6] [7 8 9]]-----[[0 1 2] [3 4 5] [6 7 8]]

# 加法A + B

array([[ 1,  3,  5],       [ 7,  9, 11],       [13, 15, 17]])

# 和A+B相等B + A

array([[ 1,  3,  5],       [ 7,  9, 11],       [13, 15, 17]])

# 减法A - B

array([[1, 1, 1],       [1, 1, 1],       [1, 1, 1]])

################ 变化来了 ################

# 之前说过 ”只有行列都相同的矩阵才可以进行“ 来验证一下# 创建一个2行3列的矩阵C = np.arange(6).reshape((2,3))D = np.arange(6).reshape((3,2))print(C)print("-"*5)print(D)

[[0 1 2] [3 4 5]]-----[[0 1] [2 3] [4 5]]

# 2行3列的矩阵 + 3行2列的矩阵C + D # 不同形状的矩阵不能进行加运算

---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-8-bc97e29f7e31> in <module>()      1 # 2行3列的矩阵 + 3行2列的矩阵----> 2 C + D # 不同形状的矩阵不能进行加运算ValueError: operands could not be broadcast together with shapes (2,3) (3,2)

C - D # 不同形状的矩阵不能进行减运算

---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-9-ca5169d0bf6c> in <module>()----> 1 C - D # 不同形状的矩阵不能进行减运算ValueError: operands could not be broadcast together with shapes (2,3) (3,2)

2.2.2.数乘、数除

这个也比较简单，就是和每个元素相乘，eg: 2×A，A原本的每一个元素都扩大了两倍

数除其实就是乘以倒数（1/x）

print(A)

[[1 2 3] [4 5 6] [7 8 9]]

# 比如2×A，A原本的每一个元素都扩大了两倍2 * A

array([[ 2,  4,  6],       [ 8, 10, 12],       [14, 16, 18]])

print(A)

[[1 2 3] [4 5 6] [7 8 9]]

# 友情提醒：Numpy里面的运算基本上都是针对每一个元素A / 2

array([[0.5, 1. , 1.5],       [2. , 2.5, 3. ],       [3.5, 4. , 4.5]])

2.2.3.矩阵乘法

矩阵乘法还是要用 LaTex演示一下的，不然有些朋友可能还是觉得比较抽象：（大家有什么好用的LaTex在线编辑器可以推荐的）

拿上面那个方程组来演示一下：

两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵B的行数(row)相等才可以进行计算

# 通过代码看一看A = np.array([[1,2],[3,4]])B = np.array([[4,3],[2,1]])print(A)print("-"*5)print(B)

[[1 2] [3 4]]-----[[4 3] [2 1]]

# 注意一下，Numpy里面的乘法默认是每个数对应相乘# 如果是矩阵相乘可以使用dot()方法# 或者你创建矩阵对象，这样×默认就是矩阵乘法了A.dot(B) # 矩阵A×矩阵B

array([[ 8,  5],       [20, 13]])

程序验证了我们上面的运算结果，还得注意一下：

A×B和 B×A是不一样的，eg：B×A

print(A)print("-"*5)print(B)

[[1 2] [3 4]]-----[[4 3] [2 1]]

B.dot(A) # 矩阵B×矩阵A

array([[13, 20],       [ 5,  8]])

################ 变化来了 ################

# 来验证一下”两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵D的行数(row)相等才可以进行计算“print(A)print("-"*5)print(D)

[[1 2] [3 4]]-----[[0 1] [2 3] [4 5]]

# A有2列 D有3行A.dot(D) # 不能乘

---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-20-c1a9f22a6f8d> in <module>()      1 # A有2列 D有3行----> 2 A.dot(D) # 不能乘ValueError: shapes (2,2) and (3,2) not aligned: 2 (dim 1) != 3 (dim 0)

# 你反过来就符合A的列数=D的行数了D.dot(A)

array([[ 3,  4],       [11, 16],       [19, 28]])

2.2.4.幂乘、幂运算

幂乘比较简单，就是每个元素开平方，不一定是方阵

必须是方阵才能进行幂运算，比如 A²=A×A（矩阵相乘前提： 第一个矩阵A的行=第二个矩阵A的列==>方阵）

print(A)print("-"*5)print(C)

[[1 2] [3 4]]-----[[0 1 2] [3 4 5]]

# 幂乘(每个元素开平方) np.power(A,2) # 使用 A**2也一样

array([[ 1,  4],       [ 9, 16]])

# 幂乘(不一定是方阵) np.power(C,2)

array([[ 0,  1,  4],       [ 9, 16, 25]])

################ 方阵幂运算 ################

# A*A*Anp.linalg.matrix_power(A,3)

array([[ 37,  54],       [ 81, 118]])

# 不是方阵就overnp.linalg.matrix_power(C,3)

---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-27-73f04ef7b54c> in <module>()      1 # 不是方阵就over----> 2 np.linalg.matrix_power(C,3)~/anaconda3/lib/python3.6/site-packages/numpy/matrixlib/defmatrix.py in matrix_power(M, n)    137     M = asanyarray(M)    138     if M.ndim != 2 or M.shape[0] != M.shape[1]:--> 139         raise ValueError("input must be a square array")    140     if not issubdtype(type(n), N.integer):    141         raise TypeError("exponent must be an integer")ValueError: input must be a square array

来个小结 + 扩展：

矩阵的加法运算满足交换律： A+B=B+A

矩阵的乘法满足结合律和对矩阵加法的分配律：

结合律： (AB)C=A(BC)

左分配律： (A+B)C=AC+BC

右分配律： C(A+B)=CA+CB

矩阵的乘法与数乘运算之间也满足类似结合律的规律；与转置之间则满足倒置的

分配律： c(A+B)=cA+cB

结合律： c(AB)=(cA)B=A(cB)

矩阵乘法不满足交换律 一般来说，矩阵A及B的乘积AB存在，但BA不一定存在，即使存在，大多数时候 AB≠BA

2.3.特殊矩阵

2.3.1.零矩阵

import numpy as np

# 一维# 可以指定类型 np.zeros(5,dtype=int)np.zeros(5) # 完整写法：np.zeros((5,))

array([0., 0., 0., 0., 0.])

# 二维np.zeros((2,5))# 建议用元组，官方文档都是元组

array([[0., 0., 0., 0., 0.],       [0., 0., 0., 0., 0.]])

# 三维 ==> 可以这么理解，2个2*5（2行5列）的矩阵np.zeros((2,2,5))

array([[[0., 0., 0., 0., 0.],        [0., 0., 0., 0., 0.]],       [[0., 0., 0., 0., 0.],        [0., 0., 0., 0., 0.]]])

################ 全1矩阵 ################

# `np.ones(tuple)` 用法和`np.zeros(tuple)`差不多# 可以指定类型 np.ones(5,dtype=int)# 一维np.ones(5) # 完整写法 np.ones((5,))

array([1., 1., 1., 1., 1.])

# 二维，传一个shape元组np.ones((2,5))

array([[1., 1., 1., 1., 1.],       [1., 1., 1., 1., 1.]])

# 三维 可以理解为两个二维数组np.ones((2,2,5))

array([[[1., 1., 1., 1., 1.],        [1., 1., 1., 1., 1.]],       [[1., 1., 1., 1., 1.],        [1., 1., 1., 1., 1.]]])

################ 指定值矩阵 ################

# 创建指定值的矩阵：np.full((3,5),222)

array([[222, 222, 222, 222, 222],       [222, 222, 222, 222, 222],       [222, 222, 222, 222, 222]])

# 创建指定值的矩阵，浮点类型np.full((3,5),222.0)

array([[222., 222., 222., 222., 222.],       [222., 222., 222., 222., 222.],       [222., 222., 222., 222., 222.]])

2.3.3.转置矩阵

转置矩阵 ：将矩阵的行列互换得到的新矩阵(行列式不变)

再次提醒：两个矩阵的乘法仅当第一个矩阵A的列数(column)和另一个矩阵B的行数(row)相等才可以进行计算

A = np.arange(6).reshape((2,3))print(A)

[[0 1 2] [3 4 5]]

# 转置矩阵（行列互换）A.T

array([[0, 3],       [1, 4],       [2, 5]])

B = np.random.randint(10,size=(2,3))print(B)

[[4 4 7] [5 3 9]]

################ 验证系列 ################

# 验证一下(A+B)^T=A^T+B^Tprint(A.T + B.T)print("-"*5)print((A+B).T)

[[ 4  8] [ 5  7] [ 9 14]]-----[[ 4  8] [ 5  7] [ 9 14]]

# 验证一下(A+B)^T=A^T+B^T# 其实也再一次验证了，Numpy运算符默认是对每一个元素的操作(A+B).T == A.T + B.T

array([[ True,  True],       [ True,  True],       [ True,  True]])

################ 验证系列 ################

# 把A变成3*2的矩阵，不够元素用0补# reshape：有返回值，不对原始多维数组进行修改# resize：无返回值，会对原始多维数组进行修改A.resize(3,2)print(A)print(B)

[[0 1] [2 3] [4 5]][[4 4 7] [5 3 9]]

# 验证(AB)^T=B^T×A^Tprint((A.dot(B)).T)print("-"*5)print((B.T).dot(A.T))

[[ 5 23 41] [ 3 17 31] [ 9 41 73]]-----[[ 5 23 41] [ 3 17 31] [ 9 41 73]]

2.3.3.上三角矩阵和下三角矩阵

性质（行列式后面会说）

上（下）三角矩阵的行列式为对角线元素相乘
上（下）三角矩阵乘以系数后也是上（下）三角矩阵
上（下）三角矩阵间的加减法和乘法运算的结果仍是上（下）三角矩阵
上（下）三角矩阵的逆矩阵也仍然是上（下）三角矩阵

# 创建一个5行4列矩阵A = np.random.randint(10,size=(4,4))print(A)

[[3 5 2 3] [7 2 9 6] [5 1 7 6] [1 2 8 4]]

# 上三角np.triu(A)

array([[3, 5, 2, 3],       [0, 2, 9, 6],       [0, 0, 7, 6],       [0, 0, 0, 4]])

# 下三角np.tril(A)

array([[3, 0, 0, 0],       [7, 2, 0, 0],       [5, 1, 7, 0],       [1, 2, 8, 4]])

# 验证一下最后一个性质# 三角矩阵的逆矩阵也仍然是三角矩阵print(np.triu(A).T)print('-'*5)print(np.tril(A).T)

[[3 0 0 0] [5 2 0 0] [2 9 7 0] [3 6 6 4]]-----[[3 7 5 1] [0 2 1 2] [0 0 7 8] [0 0 0 4]]

2.3.4.对角矩阵

# 简单创建np.diag([3,9,6])

array([[3, 0, 0],       [0, 9, 0],       [0, 0, 6]])

np.diag([2,2,2])

array([[2, 0, 0],       [0, 2, 0],       [0, 0, 2]])

################ 验证系列 ################

# np.diag?print(A)# 获取对角元素，然后再生成对角矩阵B = np.diag(A.diagonal()) #或者 np.diag(np.diag(A))print(B)

[[3 5 2 3] [7 2 9 6] [5 1 7 6] [1 2 8 4]][[3 0 0 0] [0 2 0 0] [0 0 7 0] [0 0 0 4]]

B.dot(B).dot(B)

array([[ 27,   0,   0,   0],       [  0,   8,   0,   0],       [  0,   0, 343,   0],       [  0,   0,   0,  64]])

# 对角矩阵的矩阵幂运算等于其对应元素的幂运算B**3

array([[ 27,   0,   0,   0],       [  0,   8,   0,   0],       [  0,   0, 343,   0],       [  0,   0,   0,  64]])

2.3.5.单位矩阵

单位矩阵 ：单位矩阵是个方阵（行列相等），从左上角到右下角的对角线（称为主对角线）上的元素均为1。其他全都为0，eg:

$ \begin{bmatrix} 1&0&0 \ 0&1&0 \ 0&0&1 \end{bmatrix} $

任何 矩阵 x 单位矩阵 都等于其 本身 （反过来也一样（这个和1×a=a×1一个道理））

# 定义一个2行的单位矩阵（列默认和行一致）# np.eye(rows,columns=rows)np.eye(2)

array([[1., 0.],       [0., 1.]])

################ 验证扩展 ################

# 可以指定类型B = np.eye(4,dtype=int)print(B)

[[1 0 0 0] [0 1 0 0] [0 0 1 0] [0 0 0 1]]

print(A)

[[3 5 2 3] [7 2 9 6] [5 1 7 6] [1 2 8 4]]

# 任何矩阵 x 单位矩阵 都等于其本身A.dot(B)

array([[3, 5, 2, 3],       [7, 2, 9, 6],       [5, 1, 7, 6],       [1, 2, 8, 4]])

# 反过来也一样（这个和1*a=a*1一个道理）B.dot(A)

array([[3, 5, 2, 3],       [7, 2, 9, 6],       [5, 1, 7, 6],       [1, 2, 8, 4]])

2.3.6.对称矩阵

对称矩阵 :元素以主对角线为对称轴对应相等的方阵

对称矩阵的转置是它本身：$A^T=A$

A = np.random.randint(10,size=(4,4))print(A)

[[0 1 6 9] [1 2 4 7] [4 8 7 9] [3 6 8 0]]

B = np.triu(A)B += B.T - np.diag(A.diagonal())print(B)

[[0 1 6 9] [1 2 4 7] [6 4 7 9] [9 7 9 0]]

# 验证一下B.T == B

array([[ True,  True,  True,  True],       [ True,  True,  True,  True],       [ True,  True,  True,  True],       [ True,  True,  True,  True]])

################ 分步解释 ################

# 创建上三角矩阵B = np.triu(A)print(B)

[[0 1 6 9] [0 2 4 7] [0 0 7 9] [0 0 0 0]]

# 上三角+它的逆矩阵（发现距离对角矩阵只是多加一次对角线上的元素）B += B.Tprint(B)

[[ 0  1  6  9] [ 1  4  4  7] [ 6  4 14  9] [ 9  7  9  0]]

# 所以减去对角线上的元素，得到对角矩阵B - np.diag(A.diagonal())

array([[0, 1, 6, 9],       [1, 2, 4, 7],       [6, 4, 7, 9],       [9, 7, 9, 0]])

2.4.逆矩阵

逆矩阵 :设A是数域上的一个n阶方阵，若在相同数域上存在另一个n阶矩阵B，使得: AB=BA=E 则我们称B是A的逆矩阵(表示为$A^{-1}$)，而A则被称为可逆矩阵

通俗话讲就是：原矩阵×逆矩阵=逆矩阵×原矩阵=单位矩阵

2.4.1.消元法

可能一看到逆矩阵，大家就想到代数余子式 ，不过逆天要说的是，代数余子式就和我们程序员面试题一样，有些题目就是又繁琐实际运用又没多大意义的题目一样，很多时候面试官都不看面试题一眼，同样的那些出题老师自己解题一般都不会使用。我这边介绍一下方便简单的方法“消元法”

A = np.array([[3,2],[1,2]])print(A)

[[3 2] [1 2]]

# 求A的逆矩阵np.linalg.inv(A)

array([[ 0.5 , -0.5 ],       [-0.25,  0.75]])

2.4.2.二阶方阵公式

如果只是2阶方阵，有更简单的公式（只能2阶使用，而消元法不受限制）矩阵是否可逆就看分母是否为0

扩展系列：伪逆矩阵

非方阵可以求 伪逆矩阵 AXA=A,XAX=X

方法很多(比如还可以通过余子式)，公式其实有规律，你可以先摸索下(给个提示)：

项	正负
a11a22	+
a12a21	-

项	正负
a11a22a33	+
a11a23a32	-
a12a21a33	-
a12a23a31	+
a13a21a32	+
a13a22a31	-

程序比较简单： np.linalg.det(A)

A = np.array([[7, 3, 6],[5, 3, 1]])print(A)

[[7 3 6] [5 3 1]]

# 不等于0就是可逆np.linalg.det(A)

---------------------------------------------------------------------------LinAlgError                               Traceback (most recent call last)<ipython-input-47-2ce8e7bdf499> in <module>()      1 # 不等于0就是可逆----> 2 np.linalg.det(A)~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in det(a)   1869     a = asarray(a)   1870     _assertRankAtLeast2(a)-> 1871     _assertNdSquareness(a)   1872     t, result_t = _commonType(a)   1873     signature = 'D->D' if isComplexType(t) else 'd->d'~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays)    209     for a in arrays:    210         if max(a.shape[-2:]) != min(a.shape[-2:]):--> 211             raise LinAlgError('Last 2 dimensions of the array must be square')    212     213 def _assertFinite(*arrays):LinAlgError: Last 2 dimensions of the array must be square

# 必须是方阵的验证np.linalg.inv(A)

---------------------------------------------------------------------------LinAlgError                               Traceback (most recent call last)<ipython-input-48-0af3c81a492f> in <module>()      1 # 必须是方阵的验证----> 2 np.linalg.inv(A)~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in inv(a)    521     a, wrap = _makearray(a)    522     _assertRankAtLeast2(a)--> 523     _assertNdSquareness(a)    524     t, result_t = _commonType(a)    525 ~/anaconda3/lib/python3.6/site-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays)    209     for a in arrays:    210         if max(a.shape[-2:]) != min(a.shape[-2:]):--> 211             raise LinAlgError('Last 2 dimensions of the array must be square')    212     213 def _assertFinite(*arrays):LinAlgError: Last 2 dimensions of the array must be square

# 有时候还是需要求逆矩阵# 那就可以求它的伪逆矩阵X = np.linalg.pinv(A)print(X)

[[-0.00632911  0.15189873] [-0.05696203  0.16708861] [ 0.20253165 -0.26075949]]

# A*X*A=AA.dot(X).dot(A)

array([[7., 3., 6.],       [5., 3., 1.]])

# X*A*X=XX.dot(A).dot(X)

array([[-0.00632911,  0.15189873],       [-0.05696203,  0.16708861],       [ 0.20253165, -0.26075949]])

################ 简单说下mat ################

# 创建一个矩阵A = np.mat([[3,2],[1,2]])print(A)type(A)

[[3 2] [1 2]]numpy.matrixlib.defmatrix.matrix

# 求它的逆矩阵A.I

matrix([[ 0.5 , -0.5 ],        [-0.25,  0.75]])

# A^TA.T

matrix([[3, 1],        [2, 2]])

# *默认就是矩阵乘法A * A

matrix([[11, 10],        [ 5,  6]])

# 更多自己查看下帮助文档把，用法和array基本上一样，# 我这边只是简单提一下，怕你们不去看（所有和矩阵相关的东西，里面都有封装，很方便）np.mat?

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

numpy

github

python

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

numpy

github

python