Matrixoperationer i Python
Stryg for at vise menuen
1. Addition og subtraktion
To matricer A og B med samme dimensioner kan lægges sammen:
123456789import numpy as np A = np.array([[1, 2], [5, 6]]) B = np.array([[3, 4], [7, 8]]) C = A + B print(f'C:\n{C}') # C = [[4, 6], [12, 14]]
2. Regler for multiplikation
Matrixmultiplikation er ikke elementvis.
Regel: Hvis A har dimension (n,m) og B har dimension (m,l), så får resultatet dimensionen (n,l).
1234567891011121314151617181920import numpy as np # Example random matrix 3x2 A = np.array([[1, 2], [3, 4], [5, 6]]) print(f'A:\n{A}') # Example random matrix 2x4 B = np.array([[11, 12, 13, 14], [15, 16, 17, 18]]) print(f'B:\n{B}') # product shape (3, 4) product = np.dot(A, B) print(f'np.dot(A, B):\n{product}') # or equivalently product = A @ B print(f'A @ B:\n{product}')
3. Transponering
Transponering bytter rækker og kolonner.
Generel regel: hvis A er (n×m), så er AT (m×n).
1234567import numpy as np A = np.array([[1, 2, 3], [4, 5, 6]]) A_T = A.T # Transpose of A print(f'A_T:\n{A_T}')
4. Invers af en matrix
En matrix A har en invers A−1 hvis:
A⋅A−1=IHvor I er identitetsmatricen.
Ikke alle matricer har en invers. En matrix skal være kvadratisk og have fuld rang.
12345678910import numpy as np A = np.array([[1, 2], [3, 4]]) A_inv = np.linalg.inv(A) # Inverse of A print(f'A_inv:\n{A_inv}') I = np.eye(2) # Identity matrix 2x2 print(f'A x A_inv = I:\n{np.allclose(A @ A_inv, I)}') # Check if product equals identity
Var alt klart?
Tak for dine kommentarer!
Sektion 4. Kapitel 4
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Fantastisk!
Completion rate forbedret til 1.96Sektion 4. Kapitel 4