numpy.linalg.qr#
- linalg.qr(a, mode='reduced')[source]#
计算矩阵的 QR 分解。
将矩阵 a 分解为 qr,其中 q 是正交的,r 是上三角的。
- 参数:
- aarray_like, shape (…, M, N)
维度至少为 2 的类数组对象。
- mode{‘reduced’, ‘complete’, ‘r’, ‘raw’}, optional, default: ‘reduced’
如果 K = min(M, N),那么
‘reduced’ : 返回 Q, R,维度为 (…, M, K), (…, K, N)
‘complete’ : 返回 Q, R,维度为 (…, M, M), (…, M, N)
‘r’ : 仅返回 R,维度为 (…, K, N)
‘raw’ : 返回 h, tau,维度为 (…, N, M), (…, K,)
‘reduced’, ‘complete, and ‘raw’ 选项是在 numpy 1.8 中新增的,有关更多信息,请参阅说明。默认值为 ‘reduced’,为了保持与早期版本 numpy 的向后兼容性,它和旧的默认值 ‘full’ 可以省略。注意在 ‘raw’ 模式下返回的数组 h 是为了调用 Fortran 而转置的。‘economic’ 模式已弃用。‘full’ 和 ‘economic’ 模式可以使用第一个字母进行传递以保持向后兼容,但所有其他模式必须完整拼写。有关更多说明,请参阅说明。
- 返回值:
- 当 mode 为 ‘reduced’ 或 ‘complete’ 时,结果将是一个命名的元组,
- 具有属性 Q 和 R。
- Qndarray of float or complex, optional
具有正交列的矩阵。当 mode = ‘complete’ 时,结果是一个正交/酉矩阵,具体取决于 a 是实数/复数。在这种情况下,行列式可以是 +/- 1。如果输入数组的维度大于 2,则返回具有上述属性的矩阵堆栈。
- Rndarray of float or complex, optional
上三角矩阵,如果输入数组的维度大于 2,则为上三角矩阵堆栈。
- (h, tau)ndarrays of np.double or np.cdouble, optional
数组 h 包含生成 q 的 Householder 反射器以及 r。tau 数组包含反射器的缩放因子。在已弃用的 ‘economic’ 模式下,仅返回 h。
- 引发:
- LinAlgError
如果分解失败。
另请参阅
scipy.linalg.qr
SciPy 中的类似函数。
scipy.linalg.rq
计算矩阵的 RQ 分解。
说明
这是 LAPACK 例程
dgeqrf
,zgeqrf
,dorgqr
, 和zungqr
的接口。有关 QR 分解的更多信息,例如: https://en.wikipedia.org/wiki/QR_factorization
ndarray
的子类将被保留,除了 ‘raw’ 模式。因此,如果 a 是matrix
类型,则所有返回值也将是矩阵。NumPy 1.8.0 中添加了新的 ‘reduced’, ‘complete’ 和 ‘raw’ 选项,旧选项 ‘full’ 被设为 ‘reduced’ 的别名。此外,‘full’ 和 ‘economic’ 选项已被弃用。由于 ‘full’ 是以前的默认值,而 ‘reduced’ 是新的默认值,因此可以通过让 mode 默认来维护向后兼容性。添加 ‘raw’ 选项是为了能够使用 LAPACK 例程,这些例程可以使用 Householder 反射器将数组乘以 q。注意在这种情况下,返回的数组是 np.double 或 np.cdouble 类型,并且 h 数组被转置以兼容 FORTRAN。目前 numpy 还没有公开使用 ‘raw’ 返回值的例程,但 lapack_lite 中有一些例程,只需等待必要的开发工作。
示例
>>> import numpy as np >>> rng = np.random.default_rng() >>> a = rng.normal(size=(9, 6)) >>> Q, R = np.linalg.qr(a) >>> np.allclose(a, np.dot(Q, R)) # a does equal QR True >>> R2 = np.linalg.qr(a, mode='r') >>> np.allclose(R, R2) # mode='r' returns the same R as mode='full' True >>> a = np.random.normal(size=(3, 2, 2)) # Stack of 2 x 2 matrices as input >>> Q, R = np.linalg.qr(a) >>> Q.shape (3, 2, 2) >>> R.shape (3, 2, 2) >>> np.allclose(a, np.matmul(Q, R)) True
说明
qr
的常见用例:求解最小二乘问题以下数据中
y = y0 + mx
的最小二乘最佳 m 和 y0 是什么:{(0,1), (1,0), (1,2), (2,1)}。 (绘制这些点,你会发现应该是 y0 = 0, m = 1.) 答案可以通过求解超定矩阵方程Ax = b
来得到,其中A = array([[0, 1], [1, 1], [1, 1], [2, 1]]) x = array([[y0], [m]]) b = array([[1], [0], [2], [1]])
如果 A = QR,使得 Q 是正交的(这总是可以通过 Gram-Schmidt 方法实现),那么
x = inv(R) * (Q.T) * b
。 (然而,在 numpy 实践中,我们只是使用lstsq
.)>>> A = np.array([[0, 1], [1, 1], [1, 1], [2, 1]]) >>> A array([[0, 1], [1, 1], [1, 1], [2, 1]]) >>> b = np.array([1, 2, 2, 3]) >>> Q, R = np.linalg.qr(A) >>> p = np.dot(Q.T, b) >>> np.dot(np.linalg.inv(R), p) array([ 1., 1.])