numpy.linalg.solve#

linalg.solve(a, b)[source]#

求解线性矩阵方程或线性标量方程组。

计算良好定义(即满秩)线性矩阵方程 ax = b 的“精确”解 x

参数:
a(…, M, M) array_like

系数矩阵。

b{(M,), (…, M, K)}, array_like

纵坐标或“因变量”值。

返回值:
x{(…, M,), (…, M, K)} ndarray

系统 a x = b 的解。如果 b 的形状为 (M,),则返回的形状为 (…, M);如果 b 的形状为 (…, M, K),则返回的形状为 (…, M, K),其中“…”部分在 a 和 b 之间广播。

引发:
LinAlgError

如果 a 是奇异的或不是方阵。

另请参阅

scipy.linalg.solve

SciPy 中的类似函数。

备注

版本 1.8.0 中的新功能。

广播规则适用,有关详细信息,请参阅 numpy.linalg 文档。

解是使用 LAPACK 例程 _gesv 计算的。

a 必须是方阵且满秩,即所有行(或等效地,列)必须线性无关;如果两者都不成立,请使用 lstsq 来获得系统的最小二乘最佳“解”。

版本 2.0 中的更改: 仅当 b 数组恰好是一维时,才将其视为形状为 (M,) 的列向量。在所有其他情况下,它都被视为 (M, K) 矩阵的堆叠。以前,如果 b.ndim 等于 a.ndim - 1,则 b 将被视为 (M,) 向量的堆叠。

参考文献

[1]

G. Strang,线性代数及其应用,第 2 版,佛罗里达州奥兰多,学术出版社,1980 年,第 22 页。

示例

求解方程组:x0 + 2 * x1 = 13 * x0 + 5 * x1 = 2

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 5]])
>>> b = np.array([1, 2])
>>> x = np.linalg.solve(a, b)
>>> x
array([-1.,  1.])

检查解是否正确

>>> np.allclose(np.dot(a, x), b)
True