6.1 矩阵运算

6.1 矩阵运算

NumPy 线性代数：6.1 矩阵运算详解

6.1.1 矩阵的创建

在 NumPy 中，矩阵本质上是二维数组。我们可以使用 numpy.array() 函数创建矩阵，并指定数据类型。

import numpy as np
# 创建一个 2x3 的矩阵
matrix_a = np.array([[1, 2, 3], [4, 5, 6]])
print("矩阵 A:\n", matrix_a)
# 创建一个 3x2 的矩阵
matrix_b = np.array([[7, 8], [9, 10], [11, 12]])
print("矩阵 B:\n", matrix_b)
# 使用 numpy.matrix 创建矩阵 (已不推荐，推荐使用 numpy.array)
# matrix_c = np.matrix([[13, 14], [15, 16]])
# print("矩阵 C:\n", matrix_c)
# 指定数据类型
matrix_d = np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float64)
print("矩阵 D:\n", matrix_d)
​

6.1.2 矩阵的基本运算

NumPy 允许我们对矩阵进行加法、减法、乘法和除法等基本运算。

• 加法和减法： 矩阵加法和减法要求矩阵的维度必须相同。

matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
# 加法
matrix_sum = matrix_a + matrix_b
print("矩阵加法:\n", matrix_sum)
# 减法
matrix_difference = matrix_a - matrix_b
print("矩阵减法:\n", matrix_difference)
​

• 乘法： 矩阵乘法分为两种：元素级别的乘法 (element-wise multiplication) 和矩阵乘法 (matrix multiplication)。

  • 元素级别乘法： 使用 * 运算符进行元素级别的乘法，要求矩阵维度相同。

  matrix_a = np.array([[1, 2], [3, 4]])
  matrix_b = np.array([[5, 6], [7, 8]])
  element_wise_product = matrix_a * matrix_b
  print("元素级别乘法:\n", element_wise_product)
  ​

  • 矩阵乘法： 使用 numpy.dot() 函数或 @ 运算符进行矩阵乘法。矩阵 A (m x n) 和矩阵 B (n x p) 相乘得到矩阵 C (m x p)。

  matrix_a = np.array([[1, 2], [3, 4]]) # 2x2
  matrix_b = np.array([[5, 6], [7, 8]]) # 2x2
  matrix_c = np.array([[1,2,3],[4,5,6]]) # 2x3
  matrix_d = np.array([[7,8],[9,10],[11,12]]) # 3x2
  # 矩阵乘法 (使用 numpy.dot())
  matrix_product_dot = np.dot(matrix_a, matrix_b)
  print("矩阵乘法 (dot):\n", matrix_product_dot)
  # 矩阵乘法 (使用 @ 运算符)
  matrix_product_at = matrix_c @ matrix_d
  print("矩阵乘法 (@):\n", matrix_product_at)
  ​

• 除法： 元素级别的除法，使用 / 运算符。

matrix_a = np.array([[10, 20], [30, 40]])
matrix_b = np.array([[2, 5], [10, 20]])
element_wise_division = matrix_a / matrix_b
print("元素级别除法:\n", element_wise_division)
​

6.1.3 矩阵的转置

矩阵的转置是将矩阵的行和列互换。可以使用 numpy.transpose() 函数或 .T 属性进行转置。

matrix_a = np.array([[1, 2, 3], [4, 5, 6]])
# 使用 numpy.transpose()
transposed_matrix = np.transpose(matrix_a)
print("转置矩阵 (transpose):\n", transposed_matrix)
# 使用 .T 属性
transposed_matrix_t = matrix_a.T
print("转置矩阵 (.T):\n", transposed_matrix_t)
​

6.1.4 逆矩阵

只有方阵（行数和列数相等）才可能存在逆矩阵。逆矩阵是指与原矩阵相乘得到单位矩阵的矩阵。可以使用 numpy.linalg.inv() 函数计算逆矩阵。

matrix_a = np.array([[1, 2], [3, 4]])
try:
    inverse_matrix = np.linalg.inv(matrix_a)
    print("逆矩阵:\n", inverse_matrix)
    # 验证逆矩阵： A * A^-1 = I (单位矩阵)
    identity_matrix = np.dot(matrix_a, inverse_matrix)
    print("验证逆矩阵:\n", identity_matrix)
except np.linalg.LinAlgError:
    print("矩阵不可逆")
​

6.1.5 行列式

行列式是对方阵定义的一个标量值，可以用来判断矩阵是否可逆。可以使用 numpy.linalg.det() 函数计算行列式。

matrix_a = np.array([[1, 2], [3, 4]])
determinant = np.linalg.det(matrix_a)
print("行列式:", determinant)
​

6.1.6 矩阵的秩

矩阵的秩是指矩阵中线性无关的行或列的最大数量。可以使用numpy.linalg.matrix_rank() 函数计算矩阵的秩。

matrix_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
rank = np.linalg.matrix_rank(matrix_a)
print("矩阵的秩:", rank)
​

6.1.7 解线性方程组

NumPy 可以用来解线性方程组。例如，对于方程组 Ax = b，可以使用 numpy.linalg.solve() 函数求解 x。

# 线性方程组：
# 2x + y = 7
# x + 3y = 11
matrix_a = np.array([[2, 1], [1, 3]])  # 系数矩阵
vector_b = np.array([7, 11])  # 常数向量
solution_x = np.linalg.solve(matrix_a, vector_b)
print("方程组的解:\n", solution_x)
​

6.1.8 奇异值分解 (SVD)

奇异值分解是一种重要的矩阵分解方法，可以将矩阵分解为三个矩阵的乘积：A = UΣV^T，其中 U 和 V 是正交矩阵，Σ 是对角矩阵，对角线上的元素是奇异值。可以使用 numpy.linalg.svd() 函数进行奇异值分解。

matrix_a = np.array([[1, 2], [3, 4], [5, 6]])
u, s, v = np.linalg.svd(matrix_a)
print("U:\n", u)
print("奇异值 (s):\n", s)
print("V:\n", v)
​

6.1.9 矩阵分解的可视化流程

6.1.10 代码实践：图像压缩

奇异值分解可以用于图像压缩。图像可以表示为一个矩阵，通过对矩阵进行奇异值分解，保留较大的奇异值，并舍弃较小的奇异值，可以实现图像的压缩。

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
def compress_image(image_path, k):
    """
    使用奇异值分解压缩图像。
    Args:
        image_path: 图像路径。
        k: 保留的奇异值数量。
    """
    # 读取图像并转换为灰度图
    img = Image.open(image_path).convert('L')
    img_array = np.array(img)
    # 奇异值分解
    u, s, v = np.linalg.svd(img_array)
    # 保留前 k 个奇异值
    s_compressed = np.zeros(img_array.shape)
    s_compressed[:k, :k] = np.diag(s[:k])
    # 重构图像
    img_compressed = np.dot(u, np.dot(s_compressed, v))
    # 显示原始图像和压缩后的图像
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.imshow(img_array, cmap='gray')
    plt.title('原始图像')
    plt.subplot(1, 2, 2)
    plt.imshow(img_compressed, cmap='gray')
    plt.title(f'压缩图像 (k={k})')
    plt.show()
# 使用示例
image_path = 'your_image.jpg'  # 替换为你的图像路径
k = 50  # 保留的奇异值数量
compress_image(image_path, k)
​

6.1.11 总结

本章节详细介绍了 NumPy 中常用的矩阵运算，包括矩阵的创建、基本运算、转置、逆矩阵、行列式、秩以及奇异值分解。通过学习这些内容，你可以使用 NumPy 解决各种线性代数问题，例如解线性方程组、图像处理、数据分析等。掌握这些基本概念和操作，将为你在科学计算和数据分析领域打下坚实的基础。请务必多加练习，熟练掌握这些技巧。