Numerische Operationen auf Vektoren und Matrizen
Numerische Operationen an Vektoren
In Python können numerische Operationen an Vektoren mit verschiedenen Bibliotheken wie NumPy durchgeführt werden. NumPy bietet effiziente und praktische Funktionen für vektorisierte Operationen, die es einfach machen, Berechnungen an Vektoren durchzuführen.
Hier sind einige gängige numerische Operationen an Vektoren, zusammen mit Beispielen in Python:
Addition
Zwei Vektoren elementweise zusammen addieren.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c)
Subtraktion
Einen Vektor elementweise von einem anderen subtrahieren.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a - b print(c)
Skalarmultiplikation
Ein Vektor wird mit einem Skalar multipliziert.
123456import numpy as np a = np.array([1, 2, 3]) b = 2 c = a * b print(c)
Skalarprodukt
Berechnung des Skalarprodukts zwischen zwei Vektoren.
Das Skalarprodukt zweier Vektoren ist eine mathematische Operation, die einen Skalarwert ergibt.
Das Skalarprodukt zweier Vektoren u
und v
wird berechnet, indem die Summe der Produkte ihrer entsprechenden Komponenten gebildet wird:
u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ
12345678import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.dot(a, b) # Dot Product = 1*4 + 2*5 + 3*6 print(c)
Operationen an Matrizen
Betrachten wir nun numerische Operationen an Matrizen.
Addition und Subtraktion
Matrizen und Vektoren gleicher Form können elementweise addiert oder subtrahiert werden.
123456789import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) S = A + B D = A - B print(S) print(D)
Skalare Multiplikation und Division
Jedes Element einer Matrix oder eines Vektors kann mit einem Skalarwert multipliziert oder durch diesen dividiert werden. Beispiel in Python:
1234567891011import numpy as np A = np.array([[1, 2], [3, 4]]) scalar = 2 B = scalar * A # Scalar multiplication C = A / scalar # Scalar division print(B) print(C)
Matrixmultiplikation
Die Multiplikation von zwei Matrizen ist eine binäre Operation, die zwei Matrizen kombiniert, um eine neue Matrix zu erzeugen. Um das Ergebnis der Multiplikation von zwei Matrizen zu berechnen, muss die Anzahl der Spalten in der ersten Matrix gleich der Anzahl der Zeilen in der zweiten Matrix sein. Das Skalarprodukt von Matrizen wird berechnet, indem das Skalarprodukt der entsprechenden Zeilen der ersten Matrix und der Spalten der zweiten Matrix genommen wird. Die resultierende Matrix wird die gleiche Anzahl von Zeilen wie die erste Matrix und die gleiche Anzahl von Spalten wie die zweite Matrix haben. Der Prozess der Matrixmultiplikation kann wie folgt visualisiert werden:
Beispiel
12345678910111213141516171819202122232425262728import numpy as np # Define matrices A and B A = np.array([[1, 2, 3], [4, 5, 6]]) # Matrix A with shape `(2, 3)` B = np.array([[7, 8], [9, 10], [11, 12]]) # Matrix B with shape `(3, 2)` # Perform dot product of matrices A and B C = np.dot(A, B) # Resulting matrix C with shape `(2, 2)` # Print the resulting matrix C print("Resulting matrix C (A dot B):") print(C) # Element-wise calculation of `C[0, 0]` # c11 = 1*7 + 2*9 + 3*11 print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0]) # Element-wise calculation of `C[0, 1]` # c12 = 1*8 + 2*10 + 3*12 print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1]) # Element-wise calculation of `C[1, 0]` # c21 = 4*7 + 5*9 + 6*11 print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0]) # Element-wise calculation of `C[1, 1]` # c22 = 4*8 + 5*10 + 6*12 print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
Hinweis
Beachten Sie, dass die Matrixmultiplikation nicht kommutativ ist. Im Allgemeinen gilt
A * B != B * A
.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 4.76
Numerische Operationen auf Vektoren und Matrizen
Swipe um das Menü anzuzeigen
Numerische Operationen an Vektoren
In Python können numerische Operationen an Vektoren mit verschiedenen Bibliotheken wie NumPy durchgeführt werden. NumPy bietet effiziente und praktische Funktionen für vektorisierte Operationen, die es einfach machen, Berechnungen an Vektoren durchzuführen.
Hier sind einige gängige numerische Operationen an Vektoren, zusammen mit Beispielen in Python:
Addition
Zwei Vektoren elementweise zusammen addieren.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c)
Subtraktion
Einen Vektor elementweise von einem anderen subtrahieren.
123456import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a - b print(c)
Skalarmultiplikation
Ein Vektor wird mit einem Skalar multipliziert.
123456import numpy as np a = np.array([1, 2, 3]) b = 2 c = a * b print(c)
Skalarprodukt
Berechnung des Skalarprodukts zwischen zwei Vektoren.
Das Skalarprodukt zweier Vektoren ist eine mathematische Operation, die einen Skalarwert ergibt.
Das Skalarprodukt zweier Vektoren u
und v
wird berechnet, indem die Summe der Produkte ihrer entsprechenden Komponenten gebildet wird:
u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ
12345678import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.dot(a, b) # Dot Product = 1*4 + 2*5 + 3*6 print(c)
Operationen an Matrizen
Betrachten wir nun numerische Operationen an Matrizen.
Addition und Subtraktion
Matrizen und Vektoren gleicher Form können elementweise addiert oder subtrahiert werden.
123456789import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) S = A + B D = A - B print(S) print(D)
Skalare Multiplikation und Division
Jedes Element einer Matrix oder eines Vektors kann mit einem Skalarwert multipliziert oder durch diesen dividiert werden. Beispiel in Python:
1234567891011import numpy as np A = np.array([[1, 2], [3, 4]]) scalar = 2 B = scalar * A # Scalar multiplication C = A / scalar # Scalar division print(B) print(C)
Matrixmultiplikation
Die Multiplikation von zwei Matrizen ist eine binäre Operation, die zwei Matrizen kombiniert, um eine neue Matrix zu erzeugen. Um das Ergebnis der Multiplikation von zwei Matrizen zu berechnen, muss die Anzahl der Spalten in der ersten Matrix gleich der Anzahl der Zeilen in der zweiten Matrix sein. Das Skalarprodukt von Matrizen wird berechnet, indem das Skalarprodukt der entsprechenden Zeilen der ersten Matrix und der Spalten der zweiten Matrix genommen wird. Die resultierende Matrix wird die gleiche Anzahl von Zeilen wie die erste Matrix und die gleiche Anzahl von Spalten wie die zweite Matrix haben. Der Prozess der Matrixmultiplikation kann wie folgt visualisiert werden:
Beispiel
12345678910111213141516171819202122232425262728import numpy as np # Define matrices A and B A = np.array([[1, 2, 3], [4, 5, 6]]) # Matrix A with shape `(2, 3)` B = np.array([[7, 8], [9, 10], [11, 12]]) # Matrix B with shape `(3, 2)` # Perform dot product of matrices A and B C = np.dot(A, B) # Resulting matrix C with shape `(2, 2)` # Print the resulting matrix C print("Resulting matrix C (A dot B):") print(C) # Element-wise calculation of `C[0, 0]` # c11 = 1*7 + 2*9 + 3*11 print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0]) # Element-wise calculation of `C[0, 1]` # c12 = 1*8 + 2*10 + 3*12 print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1]) # Element-wise calculation of `C[1, 0]` # c21 = 4*7 + 5*9 + 6*11 print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0]) # Element-wise calculation of `C[1, 1]` # c22 = 4*8 + 5*10 + 6*12 print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
Hinweis
Beachten Sie, dass die Matrixmultiplikation nicht kommutativ ist. Im Allgemeinen gilt
A * B != B * A
.
Danke für Ihr Feedback!