Python3.4线性代数的应用
2015-02-06 17:41
211 查看
import numpy as np a = np.mat([[1, 0, 0], [0, 1, 0], [0, 0, 0]]) #定义一个3行3列矩阵 矩阵的大小 = a.shape #矩阵大小 a[1, 1] #下标读取矩阵中的元素 转置矩阵 = a.T #转置矩阵 转置矩阵 = a.transpose() #转置矩阵 行列式的值 = np.linalg.det(a) #求矩阵的行列式的值 单位矩阵 = np.eye(4) #创建一个单位矩阵i 矩阵的秩 = np.linalg.matrix_rank(a) #求矩阵的秩 a = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 2]]) 逆矩阵 = np.linalg.inv(a) 特征值, 特征向量 = np.linalg.eig(a)
相关文章推荐
- 【线性代数公开课MIT Linear Algebra】 实际应用——python中的线性代数(1)
- 科学计算:Python VS. MATLAB(3)----线性代数基础
- numpy线性代数基础 - Python和MATLAB矩阵处理的不同
- 线性代数中基础的python实现
- 科学计算:Python VS. MATLAB(3)----线性代数基础
- Python Numpy 线性代数操作总结(随时更新)
- python 线性代数:解多元一次方程
- python3.4学习笔记(九) Python GUI桌面应用开发工具选择
- 科学计算:Python ----线性代数基础
- python3.4环境下新建django应用失败报错"计算机中丢失python27.dll"的解决方法
- 线性代数在机器学习上的基本应用
- 科学计算:Python VS. MATLAB(3)----线性代数基础
- python 线性代数
- 【线性代数公开课MIT Linear Algebra】 第二十四课 特征值与特征向量的应用——马尔科夫矩阵、傅里叶级数
- Python机器学习应用 | 线性回归
- 机器学习实践系列 1 线性代数计算的python实现
- 基于Python-SymPy库的高等数学及线性代数问题的解决方案
- 【线性代数公开课MIT Linear Algebra】 第二十课 行列式的应用
- [转]numpy线性代数基础 - Python和MATLAB矩阵处理的不同
- 线性表的应用——一元多项式的代数运算