Impara Operazioni Matriciali con scipy.linalg | Algebra Lineare e Operazioni con Matrici

Scorri per mostrare il menu

Quando è necessario eseguire operazioni avanzate sulle matrici in Python, il modulo scipy.linalg offre un insieme potente di strumenti che ampliano e migliorano le funzionalità delle funzioni di algebra lineare di NumPy. Sebbene numpy.linalg sia adatto a molti compiti standard, scipy.linalg mette a disposizione algoritmi aggiuntivi, prestazioni superiori per alcune operazioni e l'accesso a routine di basso livello da librerie come BLAS e LAPACK. Questo rende scipy.linalg una scelta preferita per applicazioni scientifiche e ingegneristiche che richiedono calcoli matriciali robusti ed efficienti.


              1234567891011121314151617
            
import numpy as np
from scipy.linalg import blas

# Create two matrices
A = np.array([[1, 2], [3, 4]])
B = np.array([[2, 0], [1, 2]])

# Perform matrix multiplication using BLAS's dgemm (double-precision general matrix multiply)
C = blas.dgemm(alpha=1.0, a=A, b=B)

print("Matrix A:")
print(A)
print("\nMatrix B:")
print(B)
print("\nA multiplied by B using BLAS:")
print(C)

L'esempio di codice mostra come moltiplicare matrici utilizzando scipy.linalg.blas.dgemm, che è un'interfaccia diretta alla libreria BLAS. Questa funzione è particolarmente utile quando è necessaria una moltiplicazione di matrici ad alte prestazioni, poiché sfrutta routine ottimizzate di basso livello.

Date le matrici $A$ ( $m \times k$ ) e $B$ ( $k \times n$ ), il prodotto $C$ ( $m \times n$ ) viene calcolato come:

C_{ij} = \sum_{l=1}^k A_{il} B_{lj}

La funzione dgemm esegue questa operazione in modo efficiente utilizzando le routine BLAS. È anche possibile scalare il risultato tramite il parametro alpha, quindi la matrice calcolata è:

C = \alpha \cdot A \cdot B

Utilizzare dgemm quando si desidera controllare parametri specifici come i fattori di scala (alpha) o quando si lavora con array di grandi dimensioni in cui le prestazioni sono fondamentali.


              1234567891011121314151617181920
            
import numpy as np
from scipy.linalg import lu, solve

# Define a square matrix and a right-hand side vector
A = np.array([[3, 1, 6], [2, 1, 3], [1, 1, 1]])
b = np.array([12, 7, 3])

# Perform LU decomposition
P, L, U = lu(A)
print("Permutation matrix P:")
print(P)
print("\nLower triangular matrix L:")
print(L)
print("\nUpper triangular matrix U:")
print(U)

# Solve the linear system Ax = b
x = solve(A, b)
print("\nSolution to Ax = b:")
print(x)

L'esempio di codice mostra la decomposizione LU e la risoluzione di un sistema lineare. La decomposizione LU fattorizza una matrice A in tre matrici P, L e U tali che:

P A = L U

dove:

P è una matrice di permutazione che tiene conto degli scambi di righe;
L è una matrice triangolare inferiore con uno sulla diagonale;
U è una matrice triangolare superiore.

Questa fattorizzazione consente di risolvere in modo efficiente un sistema lineare Ax = b. Prima, applicare la permutazione al termine noto:

P A x = L U x = P b

Sia y una variabile intermedia. Risolvere il processo in due passaggi:

Sostituzione in avanti: risolvere $L y = P b$ per y;
Sostituzione all'indietro: $U x = y$ per x.

Questo approccio è particolarmente utile quando è necessario risolvere più sistemi con la stessa matrice A ma termini noti diversi, poiché la decomposizione LU deve essere calcolata una sola volta.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 1

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Sezione 2. Capitolo 1

Operazioni Matriciali con scipy.linalg

1. Qual è la principale differenza tra scipy.linalg e numpy.linalg?

2. Quale funzione useresti per risolvere un sistema di equazioni lineari in SciPy?

3. Qual è lo scopo della decomposizione LU nell'algebra lineare?