线性代数#

NumPy 线性代数函数依赖 BLAS 和 LAPACK 来提供标准线性代数算法的高效底层实现。这些库可以由 NumPy 自己提供，使用其参考实现子集的 C 版本，但如果可能，优先使用利用专用处理器功能的高度优化库。此类库的示例有 OpenBLAS、MKL (TM) 和 ATLAS。由于这些库是多线程且依赖于处理器，因此可能需要环境变量和外部包（例如 threadpoolctl）来控制线程数或指定处理器架构。

SciPy 库也包含一个 linalg 子模块，并且 SciPy 和 NumPy 子模块提供的功能有所重叠。SciPy 包含 numpy.linalg 中没有的功能，例如与 LU 分解和 Schur 分解相关的函数、计算伪逆的多种方法以及矩阵超越函数（例如矩阵对数）。一些在两者中都存在的函数在 scipy.linalg 中具有增强的功能。例如，scipy.linalg.eig 可以接受第二个矩阵参数来解决广义特征值问题。然而，NumPy 中的一些函数具有更灵活的广播选项。例如，numpy.linalg.solve 可以处理“堆叠”数组，而 scipy.linalg.solve 只接受单个方阵作为其第一个参数。

注意

本页中使用的术语“矩阵”表示一个二维 numpy.array 对象，而不是一个 numpy.matrix 对象。后者不再推荐使用，即使是用于线性代数。有关更多信息，请参阅矩阵对象文档。

@ 运算符#

@ 运算符在 NumPy 1.10.0 中引入，在计算二维数组之间的矩阵积时，它比其他方法更受推荐。numpy.matmul 函数实现了 @ 运算符。

矩阵和向量积#

dot(a, b[, out])

两个数组的点积。

linalg.multi_dot(arrays, *[, out])

在单个函数调用中计算两个或更多数组的点积，并自动选择最快的求值顺序。

vdot(a, b, /)

返回两个向量的点积。

vecdot(x1, x2, /[, out, casting, order, ...])

两个数组的向量点积。

linalg.vecdot(x1, x2, /, *[, axis])

计算向量点积。

inner(a, b, /)

两个数组的内积。

outer(a, b[, out])

计算两个向量的外积。

linalg.outer(x1, x2, /)

计算两个向量的外积。

matmul(x1, x2, /[, out, casting, order, ...])

两个数组的矩阵积。

linalg.matmul(x1, x2, /)

计算矩阵积。

matvec(x1, x2, /[, out, casting, order, ...])

两个数组的矩阵-向量点积。

vecmat(x1, x2, /[, out, casting, order, ...])

两个数组的向量-矩阵点积。

tensordot(a, b[, axes])

沿着指定轴计算张量点积。

linalg.tensordot(x1, x2, /, *[, axes])

沿着指定轴计算张量点积。

einsum(subscripts, *operands[, out, dtype, ...])

对操作数求爱因斯坦求和约定。

einsum_path(subscripts, *operands[, optimize])

通过考虑中间数组的创建，评估 einsum 表达式的最低成本收缩顺序。

linalg.matrix_power(a, n)

将方阵提升为（整数）幂 n。

kron(a, b)

两个数组的克罗内克积。

linalg.cross(x1, x2, /, *[, axis])

返回 3 元素向量的叉积。

分解#

linalg.cholesky(a, /, *[, upper])

Cholesky 分解。

linalg.qr(a[, mode])

计算矩阵的 QR 分解。

linalg.svd(a[, full_matrices, compute_uv, ...])

奇异值分解。

linalg.svdvals(x, /)

返回矩阵（或矩阵堆栈）x 的奇异值。

矩阵特征值#

linalg.eig(a)

计算方阵的特征值和右特征向量。

linalg.eigh(a[, UPLO])

返回复数 Hermitian（共轭对称）或实数对称矩阵的特征值和特征向量。

linalg.eigvals(a)

计算一般矩阵的特征值。

linalg.eigvalsh(a[, UPLO])

计算复数 Hermitian 或实数对称矩阵的特征值。

范数及其他数值#

linalg.norm(x[, ord, axis, keepdims])

矩阵或向量范数。

linalg.matrix_norm(x, /, *[, keepdims, ord])

计算矩阵（或矩阵堆栈）x 的矩阵范数。

linalg.vector_norm(x, /, *[, axis, ...])

计算向量（或向量批次）x 的向量范数。

linalg.cond(x[, p])

计算矩阵的条件数。

linalg.det(a)

计算数组的行列式。

linalg.matrix_rank(A[, tol, hermitian, rtol])

使用 SVD 方法返回数组的矩阵秩

linalg.slogdet(a)

计算数组行列式的符号和（自然）对数。

trace(a[, offset, axis1, axis2, dtype, out])

返回数组对角线上的和。

linalg.trace(x, /, *[, offset, dtype])

返回矩阵（或矩阵堆栈）x 的指定对角线上的和。

求解方程和矩阵求逆#

linalg.solve(a, b)

求解线性矩阵方程或线性标量方程组。

linalg.tensorsolve(a, b[, axes])

求解张量方程 a x = b 中的 x。

linalg.lstsq(a, b[, rcond])

返回线性矩阵方程的最小二乘解。

linalg.inv(a)

计算矩阵的逆。

linalg.pinv(a[, rcond, hermitian, rtol])

计算矩阵的（Moore-Penrose）伪逆。

linalg.tensorinv(a[, ind])

计算 N 维数组的“逆”。

其他矩阵操作#

diagonal(a[, offset, axis1, axis2])

返回指定的对角线。

linalg.diagonal(x, /, *[, offset])

返回矩阵（或矩阵堆栈）x 的指定对角线。

linalg.matrix_transpose(x, /)

转置矩阵（或矩阵堆栈）x。

异常#

linalg.LinAlgError

由 linalg 函数引发的通用 Python 异常派生对象。

同时处理多个矩阵的线性代数#

上述几个线性代数例程能够同时计算多个矩阵的结果，如果它们被堆叠到同一个数组中。

这在文档中通过输入参数规范（例如 a : (..., M, M) array_like）来表示。这意味着如果输入数组 a.shape == (N, M, M)，则它被解释为 N 个矩阵的“堆栈”，每个矩阵大小为 M 乘 M。类似的规范也适用于返回值，例如行列式具有 det : (...)，在这种情况下将返回一个形状为 det(a).shape == (N,) 的数组。这推广到高维数组上的线性代数运算：多维数组的最后 1 或 2 个维度被解释为向量或矩阵，具体取决于每个操作的需要。