: | : | :期货程序化 | :期货程序化研究 | :期货量化学习 | :期货量化 |
返回列表 发帖

Numpy（科学计算包）- 【线性代数 】

龙听

Rank: 9Rank: 9Rank: 9

UID
2 
积分
2728554 
威望
1314273 布 
龙e币
1414281 刀 
注册时间
2009-12-3 
最后登录
2024-5-8 

Medal No.1
1# 跳转到 » 倒序看帖
打印
tT
发表于 2024-3-13 11:26 | 只看该作者

Numpy（科学计算包）- 【线性代数 】

NumPy  提供了线性代数函数库 linalg，该库包含了线性代数所需的所有功能，可以看看下面的说明：
函数描述
dot两个数组的点积，即元素对应相乘。
vdot 两个向量的点积
inner 两个数组的内积
matmul 两个数组的矩阵积
determinant 数组的行列式
solve 求解线性矩阵方程
inv 计算矩阵的乘法逆矩阵

收藏 分享
论坛官方微信、群（期货热点、量化探讨、开户与绑定实盘）
 
期货论坛 - 版权/免责声明   1.本站发布源码(包括函数、指标、策略等)均属开放源码，用意在于让使用者学习程序化语法撰写，使用者可以任意修改语法內容并调整参数。仅限用于个人学习使用，请勿转载、滥用，严禁私自连接实盘账户交易。
  2.本站发布资讯(包括文章、视频、历史记录、教材、评论、资讯、交易方案等)均系转载自网络主流媒体，内容仅为作者当日个人观点，本网转载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。本网不对该类信息或数据做任何保证。不对您构成任何投资建议，不能依靠信息而取代自身独立判断，不对因使用本篇文章所诉信息或观点等导致的损失承担任何责任。
  3.本站发布资源(包括书籍、杂志、文档、软件等)均从互联网搜索而来，仅供个人免费交流学习，不可用作商业用途，本站不对显示的内容承担任何责任。请在下载后24小时内删除。如果喜欢，请购买正版，谢谢合作！
  4.龙听期货论坛原创文章属本网版权作品，转载须注明来源“龙听期货论坛”，违者本网将保留追究其相关法律责任的权力。本论坛除发布原创文章外，亦致力于优秀财经文章的交流分享，部分文章推送时若未能及时与原作者取得联系并涉及版权问题时，请及时联系删除。联系方式：http://www.qhlt.cn/thread-262-1-1.html
如何访问权限为100/255贴子：/thread-37840-1-1.html；注册后仍无法回复：/thread-23-1-1.html；微信/QQ群：/thread-262-1-1.html；网盘链接失效解决办法：/thread-93307-1-1.html

龙听

Rank: 9Rank: 9Rank: 9

UID
2 
积分
2728554 
威望
1314273 布 
龙e币
1414281 刀 
注册时间
2009-12-3 
最后登录
2024-5-8 

Medal No.1
2#
发表于 2024-3-13 11:35 | 只看该作者
numpy.dot()

numpy.dot() 对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和(数学上称之为向量点积)；对于二维数组，计算的是两个数组的矩阵乘积；对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和： dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
  1. numpy.dot(a, b, out=None)
复制代码
参数说明：

    a : ndarray 数组
    b : ndarray 数组
    out : ndarray, 可选，用来保存dot()的计算结果

实例
  1. import numpy.matlib
  2. import numpy as np

  4. a = np.array([[1,2],[3,4]])
  5. b = np.array([[11,12],[13,14]])
  6. print(np.dot(a,b))
复制代码
输出结果为：
  1. [[37  40]
  2. [85  92]]
复制代码
计算式为：
  1. [[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
复制代码
numpy.vdot()

numpy.vdot() 函数是两个向量的点积。 如果第一个参数是复数，那么它的共轭复数会用于计算。 如果参数是多维数组，它会被展开。

实例
  1. import numpy as np

  3. a = np.array([[1,2],[3,4]])
  4. b = np.array([[11,12],[13,14]])

  6. # vdot 将数组展开计算内积
  7. print (np.vdot(a,b))
复制代码
输出结果为：
  1. 130
复制代码
计算式为：
  1. 1*11 + 2*12 + 3*13 + 4*14 = 130
复制代码
numpy.inner()

numpy.inner() 函数返回一维数组的向量内积。对于更高的维度，它返回最后一个轴上的和的乘积。

实例
  1. import numpy as np

  3. print (np.inner(np.array([1,2,3]),np.array([0,1,0])))
  4. # 等价于 1*0+2*1+3*0
复制代码
输出结果为：
  1. 2
复制代码
多维数组实例
  1. import numpy as np
  2. a = np.array([[1,2], [3,4]])

  4. print ('数组 a：')
  5. print (a)
  6. b = np.array([[11, 12], [13, 14]])

  8. print ('数组 b：')
  9. print (b)

  11. print ('内积：')
  12. print (np.inner(a,b))
复制代码
输出结果为：
  1. 数组 a：
  2. [[1 2]
  3. [3 4]]
  4. 数组 b：
  5. [[11 12]
  6. [13 14]]
  7. 内积：
  8. [[35 41]
  9. [81 95]]
  10. 数组 a：
  11. [[1 2]
  12. [3 4]]
  13. 数组 b：
  14. [[11 12]
  15. [13 14]]
  16. 内积：
  17. [[35 41]
  18. [81 95]]
复制代码
内积计算式为：
  1. 1*11+2*12, 1*13+2*14
  2. 3*11+4*12, 3*13+4*14
复制代码
numpy.matmul

numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积，但如果任一参数的维数大于2，则将其视为存在于最后两个索引的矩阵的栈，并进行相应广播。

另一方面，如果任一参数是一维数组，则通过在其维度上附加 1 来将其提升为矩阵，并在乘法之后被去除。

对于二维数组，它就是矩阵乘法：

实例
  1. import numpy.matlib
  2. import numpy as np

  4. a = [[1,0],[0,1]]
  5. b = [[4,1],[2,2]]
  6. print (np.matmul(a,b))
复制代码
输出结果为：
  1. [[4  1]
  2. [2  2]]
复制代码
二维和一维运算：

实例
  1. import numpy.matlib
  2. import numpy as np

  4. a = [[1,0],[0,1]]
  5. b = [1,2]
  6. print (np.matmul(a,b))
  7. print (np.matmul(b,a))
复制代码
输出结果为：
  1. [1  2]
  2. [1  2]
复制代码
维度大于二的数组 ：

实例
  1. import numpy.matlib
  2. import numpy as np

  4. a = np.arange(8).reshape(2,2,2)
  5. b = np.arange(4).reshape(2,2)
  6. print (np.matmul(a,b))
复制代码
输出结果为：
  1. [[[ 2  3]
  2.   [ 6 11]]

  4. [[10 19]
  5.   [14 27]]]
复制代码
numpy.linalg.det()

numpy.linalg.det() 函数计算输入矩阵的行列式。

行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵，它是左上和右下元素的乘积与其他两个的乘积的差。

换句话说，对于矩阵[[a，b]，[c，d]]，行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。

实例
  1. import numpy as np
  2. a = np.array([[1,2], [3,4]])

  4. print (np.linalg.det(a))
复制代码
输出结果为：
  1. -2.0
复制代码
实例
  1. import numpy as np

  3. b = np.array([[6,1,1], [4, -2, 5], [2,8,7]])
  4. print (b)
  5. print (np.linalg.det(b))
  6. print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))
复制代码
输出结果为：
  1. [[ 6  1  1]
  2. [ 4 -2  5]
  3. [ 2  8  7]]
  4. -306.0
  5. -306
复制代码
numpy.linalg.solve()

numpy.linalg.solve() 函数给出了矩阵形式的线性方程的解。

考虑以下线性方程：
  1. x + y + z = 6

  3. 2y + 5z = -4

  5. 2x + 5y - z = 27
复制代码
可以使用矩阵表示为：

如果矩阵成为A、X和B，方程变为：
  1. AX = B

  3. 或

  5. X = A^(-1)B
复制代码
numpy.linalg.inv()

numpy.linalg.inv() 函数计算矩阵的乘法逆矩阵。

逆矩阵（inverse matrix）：设A是数域上的一个n阶矩阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E ，则我们称B是A的逆矩阵，而A则被称为可逆矩阵。注：E为单位矩阵。

实例
  1. import numpy as np

  3. x = np.array([[1,2],[3,4]])
  4. y = np.linalg.inv(x)
  5. print (x)
  6. print (y)
  7. print (np.dot(x,y))
复制代码
输出结果为：
  1. [[1 2]
  2. [3 4]]
  3. [[-2.   1. ]
  4. [ 1.5 -0.5]]
  5. [[1.0000000e+00 0.0000000e+00]
  6. [8.8817842e-16 1.0000000e+00]]
复制代码
现在创建一个矩阵A的逆矩阵:

实例
  1. import numpy as np

  3. a = np.array([[1,1,1],[0,2,5],[2,5,-1]])

  5. print ('数组 a：')
  6. print (a)
  7. ainv = np.linalg.inv(a)

  9. print ('a 的逆：')
  10. print (ainv)

  12. print ('矩阵 b：')
  13. b = np.array([[6],[-4],[27]])
  14. print (b)

  16. print ('计算：A^(-1)B：')
  17. x = np.linalg.solve(a,b)
  18. print (x)
  19. # 这就是线性方向 x = 5, y = 3, z = -2 的解
复制代码
输出结果为：
  1. 数组 a：
  2. [[ 1  1  1]
  3. [ 0  2  5]
  4. [ 2  5 -1]]
  5. a 的逆：
  6. [[ 1.28571429 -0.28571429 -0.14285714]
  7. [-0.47619048  0.14285714  0.23809524]
  8. [ 0.19047619  0.14285714 -0.0952381 ]]
  9. 矩阵 b：
  10. [[ 6]
  11. [-4]
  12. [27]]
  13. 计算：A^(-1)B：
  14. [[ 5.]
  15. [ 3.]
  16. [-2.]]
复制代码
结果也可以使用以下函数获取：
  1. x = np.dot(ainv,b)
复制代码
如何访问权限为100/255贴子：/thread-37840-1-1.html；注册后仍无法回复：/thread-23-1-1.html；微信/QQ群：/thread-262-1-1.html；网盘链接失效解决办法：/thread-93307-1-1.html

TOP

返回列表