### Python 中增广矩阵的输入与运算方法 在科学计算领域，增广矩阵通常用于表示线性方程组的形式 \(Ax = b\)。通过 NumPy 和 SciPy 库的支持，可以在 Python 中轻松处理增广矩阵及其相关运算。 #### 1. 创建增广矩阵 可以通过 `numpy` 将系数矩阵 \(A\) 和常数向量 \(b\) 合并为增广矩阵 \([A|b]\)。具体实现如下： ```python import numpy as np # 定义系数矩阵 A 和常数向量 b A = np.array([[2, 3], [4, -1]]) b = np.array([[8], [1]]) # 构造增广矩阵 [A | b] augmented_matrix = np.hstack((A, b)) print("增广矩阵:") print(augmented_matrix) ``` 上述代码利用了 `np.hstack()` 函数水平堆叠两个数组来形成增广矩阵[^1]。 --- #### 2. 解线性方程组 一旦构建好增广矩阵，就可以使用 NumPy 提供的功能解决对应的线性方程组。例如，调用 `np.linalg.solve()` 可以直接得到解向量 \(x\)。 ```python # 使用 numpy 求解 Ax = b solution_x = np.linalg.solve(A, b.flatten()) print("\n解向量 x (使用 linalg.solve):") print(solution_x.reshape(-1, 1)) # 转换回列向量形式以便显示 ``` 这里需要注意的是，`linalg.solve()` 需要传入二维形状的 \(b\) 数组作为参数，因此可能需要调整其维度[^2]。 --- #### 3. 计算逆矩阵 如果目标是从增广矩阵出发手动推导出解决方案，则需先验证矩阵可逆性再求取逆矩阵。这可通过以下方式完成： ```python try: inv_A = np.linalg.inv(A) # 对于不可逆的情况会抛异常 LinAlgError solution_inv = np.dot(inv_A, b) print("\n逆矩阵 A^-1:") print(inv_A) print("\n解向量 x (基于逆矩阵):") print(solution_inv) except np.linalg.LinAlgError: print("\n警告：矩阵 A 不可逆！无法继续此路径.") ``` 此处展示了如何借助 `numpy.linalg.inv()` 来获得给定矩阵的逆矩阵，并进一步应用它解决问题[^4]。 --- #### 4. 利用 Scipy 进行优化求解 当面对超定或者欠定系统时，单纯依赖代数手段未必有效。此时引入数值逼近技术显得尤为重要——比如最小二乘法拟合最佳近似解答。 ```python from scipy.optimize import least_squares def residual_func(x): return np.dot(A, x) - b.ravel() initial_guess = np.zeros(2) # 初始化猜测值 result_ls = least_squares(residual_func, initial_guess).x print("\n最小二乘法下的最优解向量 x:") print(result_ls.reshape(-1, 1)) ``` 以上片段定义了一个残差函数并通过 `least_squares` 找到使误差平方和达到极小化的参数集合[^2]。 --- ### 总结 综上所述，无论是简单情况还是复杂场景下，Python 结合 NumPy/SciPy 已经提供了丰富的工具支持各类涉及增广矩阵的操作需求。从基础构造至高级分析均能高效达成目的。 问题