### NumPy 的 `linalg` 模块功能与方法 #### 1. 行列式的计算 `numpy.linalg.det()` 函数用于计算矩阵的行列式。这是线性代数中的基本操作之一，能够帮助判断矩阵是否可逆。如果行列式不等于零，则矩阵是非奇异的，即可逆[^2]。 ```python import numpy as np F = np.mat("3 4;5 6") determinant = np.linalg.det(F) print(determinant) # 输出 -2.0 ``` --- #### 2. 矩阵求逆 `numpy.linalg.inv()` 是用来计算方阵的逆矩阵的方法。对于一个 n×n 方阵 A，其逆矩阵 B 满足 AB=I（其中 I 是单位矩阵）。需要注意的是，只有当矩阵是非奇异时才能成功求逆[^3]。 ```python A = np.mat("0 1 2;1 0 3;4 -3 8") inverse_matrix = np.linalg.inv(A) print(inverse_matrix) # 验证原矩阵与其逆矩阵相乘得到单位矩阵 identity_check = A * inverse_matrix print(identity_check) ``` --- #### 3. 广义逆矩阵 除了标准意义上的逆矩阵外，某些情况下可能遇到非满秩或者不可逆的情况，这时可以使用 Moore-Penrose 广义逆来近似替代传统意义下的逆矩阵。此功能由 `numpy.linalg.pinv()` 提供[^4]。 ```python E = np.mat("4 11 14;8 7 -2") pseudo_inverse = np.linalg.pinv(E) print(pseudo_inverse) ``` --- #### 4. 特征值分解 利用 `numpy.linalg.eig()`, 可以获得输入方阵的一组特征值及其对应的特征向量集合。这对于分析系统的稳定性、动力学行为等方面非常重要。 ```python C = np.array([[1, 2], [3, 4]]) eigenvalues, eigenvectors = np.linalg.eig(C) print(eigenvalues) # 打印特征值数组 print(eigenvectors) # 打印对应于每个特征值的特征向量组成的二维数组 ``` --- #### 5. 奇异值分解(SVD) Singular Value Decomposition (SVD)，即奇异值分解是一种非常强大的技术，在数据压缩、降维等领域有着广泛的应用价值。它通过调用 `numpy.linalg.svd()` 实现。 ```python D = np.random.randn(9, 6) U, s, Vt = np.linalg.svd(D, full_matrices=False) print(U.shape, s.shape, Vt.shape) # 查看各部分维度大小关系 ``` --- #### 6. 解线性方程组 解决形如 Ax=b 这样的线性方程组问题可以通过直接调用 `numpy.linalg.solve()` 来完成，前提是系数矩阵 A 必须为正方形且非退化。 ```python coefficients = np.array([[3., 1], [1, 2.]]) constants = np.array([9., 8.]) solution = np.linalg.solve(coefficients, constants) print(solution) # 应返回接近真实解 [2., 3.] 的数值结果 ``` --- #### 7. 范数计算 范数衡量矢量空间中元素长度或距离的概念扩展到了更高维度的对象上。借助 `numpy.linalg.norm(x)` ，我们可以方便快捷地获取不同类型的范数定义。 ```python vector_example = np.arange(-10, 11).reshape((5,-1)) norm_result = np.linalg.norm(vector_example, ord=None) print(norm_result) # 默认欧几里德L2-norm ``` --- #### 总结说明 以上列举了几种常见的基于 `numpy.linalg` 模块实现的功能描述及简单实例展示。这些基础组件构成了现代科学计算框架不可或缺的一部分，极大地简化了许多复杂任务的操作流程。