datawhale_Day4_task09_线性代数

矩阵和向量积

numpy.dot(a, b[, out])计算两个矩阵的乘积，如果是一维数组则是它们的内积。

矩阵特征值与特征向量

numpy.linalg.eig(a) 计算方阵的特征值和特征向量。
numpy.linalg.eigvals(a) 计算方阵的特征值。

奇异值分解

u, s, v = numpy.linalg.svd(a, full_matrices=True, compute_uv=True, hermitian=False)奇异值分解

QR分解

q,r = numpy.linalg.qr(a, mode=‘reduced’)计算矩阵a的QR分解。

Cholesky分解

矩阵的范数

numpy.linalg.norm(x, ord=None, axis=None, keepdims=False) 计算向量或者矩阵的范数。

方阵的行列式

numpy.linalg.det(a) 计算行列式。

矩阵的秩

numpy.linalg.matrix_rank(M, tol=None, hermitian=False) 返回矩阵的秩

矩阵的迹

numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None) 方阵的迹就是主对角元素之和

逆矩阵（inverse matrix）

numpy.linalg.inv(a) 计算矩阵a的逆矩阵（矩阵可逆的充要条件：det(a) != 0，或者a满秩）。

求解线性方程组

numpy.linalg.solve(a, b) 求解线性方程组或矩阵方程。