# NumPy线性代数操作：矩阵基本运算

## 本文概述

Numpy提供以下功能, 以对输入数据执行不同的代数计算。

SN Function Definition
1 dot() 它用于计算两个数组的点积。
2 vdot() 它用于计算两个向量的点积。
3 inner() 它用于计算两个数组的内积。
4 matmul() 它用于计算两个数组的矩阵相乘。
5 det() 它用于计算矩阵的行列式。
6 solve() 用于求解线性矩阵方程。
7 inv() 它用于计算矩阵的乘法逆。

## numpy.dot()函数

### 例子

``````import numpy as np
a = np.array([[100, 200], [23, 12]])
b = np.array([[10, 20], [12, 21]])
dot = np.dot(a, b)
print(dot)``````

``````[[3400 6200]
[ 374  712]]

The dot product is calculated as:

[100 * 10 + 200 * 12, 100 * 20 + 200 * 21] [23*10+12*12, 23*20 + 12*21]``````

## numpy.vdot()函数

### 例子

``````import numpy as np
a = np.array([[100, 200], [23, 12]])
b = np.array([[10, 20], [12, 21]])
vdot = np.vdot(a, b)
print(vdot)``````

``````5528

np.vdot(a, b) = 100 *10 + 200 * 20 + 23 * 12 + 12 * 21 = 5528``````

## numpy.inner()函数

### 例子

``````import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])
b = np.array([23, 23, 12, 2, 1, 2])
inner = np.inner(a, b)
print(inner)``````

``130``

## numpy.matmul()函数

### 例子

``````import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = np.array([[23, 23, 12], [2, 1, 2], [7, 8, 9]])
mul = np.matmul(a, b)
print(mul)``````

## numpy行列式

D

numpy.linalg.det()函数用于计算矩阵的行列式。考虑以下示例。

### 例子

``````import numpy as np
a = np.array([[1, 2], [3, 4]])
print(np.linalg.det(a))``````

``-2.0000000000000004``

## numpy.linalg.solve()函数

``````3X + 2 Y + Z = 10
X + Y + Z = 5``````

``````3	2	1
1	1	1
X
Y
Z  and
10
5.``````

### 例子

``````import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 2], [3, 4]])
print(np.linalg.solve(a, b))``````

``````[[1. 0.]
[0. 1.]]``````

## numpy.linalg.inv()函数

### 例子

``````import numpy as np
a = np.array([[1, 2], [3, 4]])
print("Original array:\n", a)
b = np.linalg.inv(a)
print("Inverse:\n", b)``````

``````Original array:
[[1 2]
[3 4]]
Inverse:
[[-2.   1. ]
[ 1.5 -0.5]]``````

• 回顶