当前位置：首页 > news >正文

SciPy科学计算与应用:SciPy线性代数模块入门-矩阵运算与应用

news 2025/8/27 7:28:01

线性代数与SciPy：矩阵运算的艺术

学习目标

通过本课程，学员将掌握如何使用SciPy的线性代数模块（scipy.linalg）进行高效的矩阵运算，包括求解线性方程组、计算特征值和特征向量、以及执行奇异值分解。这些技能对于数据科学、机器学习和工程计算等领域至关重要。

学习内容

1 SciPy线性代数运算实战指南

1.1 求解线性方程组

线性方程组是线性代数中的基础概念之一，它在工程、物理、经济等多个领域都有广泛的应用。一个线性方程组可以表示为 $Ax=bA\mathbf{x} = \mathbf{b}$ ，其中 $A$ 是系数矩阵， $x\mathbf{x}$ 是未知数向量， $b\mathbf{b}$ 是常数项向量。在实际应用中，经常需要求解这样的方程组来找到未知数 $x\mathbf{x}$ 的值。

1.1.1 使用SciPy求解线性方程组

SciPy的linalg模块提供了多种方法来求解线性方程组，其中最常用的是solve函数。下面是一个简单的例子，演示如何使用scipy.linalg.solve来求解一个线性方程组。

import numpy as np
from scipy.linalg import solve# 定义系数矩阵A和常数项向量b
A = np.array([[3, 2, -1], [2, -2, 4], [-1, 0.5, -1]])
b = np.array([1, -2, 0])# 使用solve函数求解线性方程组
x = solve(A, b)print("解向量x:", x)

解向量x: [ 1. -2. -2.]

这段代码首先导入了必要的库，然后定义了一个3x3的系数矩阵 $A$ 和一个3维的常数项向量 $b\mathbf{b}$ 。通过调用scipy.linalg.solve函数，可以轻松地求解出未知数向量 $x\mathbf{x}$ 。最后，打印出解向量 $x\mathbf{x}$ 的值。

1.2 特征值与特征向量

特征值和特征向量是线性代数中的另一个重要概念，它们在矩阵分析、数据降维、机器学习等领域有着广泛的应用。对于一个给定的方阵 $A$ ，如果存在一个非零向量 $v\mathbf{v}$ 和一个标量 $λ\lambda$ ，使得 $Av=λvA\mathbf{v} = \lambda\mathbf{v}$ ，那么 $λ\lambda$ 称为 $A$ 的特征值， $v\mathbf{v}$ 称为对应的特征向量。

1.2.1 使用SciPy计算特征值和特征向量

scipy.linalg模块提供了eig函数来计算矩阵的特征值和特征向量。下面是一个示例，演示如何使用scipy.linalg.eig来计算一个矩阵的特征值和特征向量。

import numpy as np
from scipy.linalg import eig# 定义一个方阵A
A = np.array([[4, 2], [1, 3]])# 使用eig函数计算特征值和特征向量
eigenvalues, eigenvectors = eig(A)print("特征值:", eigenvalues)
print("特征向量:\n", eigenvectors)

特征值: [5.+0.j 2.+0.j]
特征向量:[[ 0.89442719 -0.70710678][ 0.4472136   0.70710678]]

在这段代码中，首先定义了一个2x2的方阵 $A$ 。然后，通过调用scipy.linalg.eig函数，可以计算出矩阵 $A$ 的特征值和特征向量。eig函数返回两个值：一个是一维数组，包含所有的特征值；另一个是二维数组，每一列是一个特征向量。最后打印出特征值和特征向量。

1.3 奇异值分解

奇异值分解（SVD）是线性代数中的一个重要工具，它将一个矩阵分解为三个矩阵的乘积，即 $\Sigma V^T$ 。其中， $U$ 和 $V$ 是正交矩阵， $Σ\Sigma$ 是一个对角矩阵，其对角线上的元素称为奇异值。SVD在数据压缩、图像处理、推荐系统等领域有着广泛的应用。

1.3.1 使用SciPy进行奇异值分解

scipy.linalg模块提供了svd函数来执行奇异值分解。下面是一个示例，演示如何使用scipy.linalg.svd来对一个矩阵进行奇异值分解。

import numpy as np
from scipy.linalg import svd# 定义一个矩阵A
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 使用svd函数进行奇异值分解
U, s, Vt = svd(A)print("U矩阵:\n", U)
print("奇异值:", s)
print("V转置矩阵:\n", Vt)

U矩阵:[[-0.21483724  0.88723069  0.40824829][-0.52058739  0.24964395 -0.81649658][-0.82633754 -0.38794278  0.40824829]]
奇异值: [1.68481034e+01 1.06836951e+00 3.33475287e-16]
V转置矩阵:[[-0.47967118 -0.57236779 -0.66506441][-0.77669099 -0.07568647  0.62531805][-0.40824829  0.81649658 -0.40824829]]

在这段代码中，首先定义了一个3x3的矩阵 (A)。然后，通过调用scipy.linalg.svd函数，可以对矩阵 (A) 进行奇异值分解。svd函数返回三个值：(U) 矩阵、奇异值数组 (s) 和 (V) 矩阵的转置 (V^T)。最后打印出 (U) 矩阵、奇异值和 (V) 矩阵的转置。
反向验证：

import numpy as np
from scipy.linalg import svd# 定义原始矩阵A
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 进行奇异值分解
U, s, Vt = svd(A)# 1. 将奇异值向量转换为对角矩阵Σ
# 创建与A同形状的零矩阵
Sigma = np.zeros_like(A, dtype=float)
# 将奇异值填充到对角线
np.fill_diagonal(Sigma, s)
print("Sigma========")
print(Sigma)# 2. 计算 U × Σ × Vt 的乘积
A_reconstructed = U @ Sigma @ Vt  # @ 是矩阵乘法运算符# 3. 打印结果进行比较
print("原始矩阵A:\n", A)
print("\n重构矩阵U×Σ×Vt:\n", A_reconstructed)
print("\n原始矩阵与重构矩阵的差异:\n", np.abs(A - A_reconstructed))
print("\n最大差异值:", np.max(np.abs(A - A_reconstructed)))