NumPy 系列(七):矩阵运算与线性代数基础

举报
yd_299290000 发表于 2026/11/18 10:41:01 2026/11/18
【摘要】 NumPy 系列(七):矩阵运算与线性代数基础 一、NumPy 与线性代数线性代数是科学计算、统计分析和机器学习的重要数学基础。NumPy 通过多维数组及 numpy.linalg 模块,提供矩阵乘法、线性方程组求解、矩阵分解等基础计算能力。需要明确的是,NumPy 使用 ndarray 统一表示向量、矩阵及高维数组,而不是为每一种数学对象设计独立的数据结构。因此,理解 NumPy 的线性...

NumPy 系列(七):矩阵运算与线性代数基础

一、NumPy 与线性代数

线性代数是科学计算、统计分析和机器学习的重要数学基础。NumPy 通过多维数组及 numpy.linalg 模块,提供矩阵乘法、线性方程组求解、矩阵分解等基础计算能力。

需要明确的是,NumPy 使用 ndarray 统一表示向量、矩阵及高维数组,而不是为每一种数学对象设计独立的数据结构。

因此,理解 NumPy 的线性代数运算,首先需要区分数组的逐元素运算与数学意义上的矩阵运算。

二、逐元素乘法与矩阵乘法

在 NumPy 中,运算符 * 表示逐元素乘法,而 @ 表示矩阵乘法。

import numpy as np

A = np.array([
    [1, 2],
    [3, 4]
])

B = np.array([
    [2, 0],
    [1, 2]
])

print(A * B)
# [[2 0]
#  [3 8]]

print(A @ B)
# [[ 4  4]
#  [10  8]]

两种运算具有不同的数学定义。

逐元素乘法要求数组形状满足广播规则,结果由对应元素相乘得到。

矩阵乘法则按照行与列之间的乘积求和规则计算。

若矩阵 A 的形状为 (m, k),矩阵 B 的形状为 (k, n),则矩阵乘积的形状为 (m, n)。

NumPy 使用 np.matmul() 实现矩阵乘法,@ 是其对应的运算符形式。

三、向量运算与维度规则

NumPy 使用一维数组表示向量:

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

print(x @ y)  # 32

两个一维数组执行 @ 运算时,结果为向量点积,即对应元素乘积之和。

对于二维矩阵与一维向量:

A = np.array([
    [1, 2],
    [3, 4]
])

x = np.array([1, 2])

print(A @ x)
# [ 5 11]

结果仍然是一维数组。

需要注意,NumPy 的一维数组不区分行向量与列向量,其形状统一为 (n,)。

因此:

x = np.array([1, 2])

print(x.T.shape)          # (2,)
print(x[:, None].shape)   # (2, 1)

对一维数组使用 .T 不会改变其形状。如果需要明确的列向量结构,应增加一个维度。

这一规则对于理解矩阵运算的输出形状尤为重要。

四、批量矩阵乘法

NumPy 的矩阵乘法不仅支持二维数组,还支持高维数组。

对于高维输入,np.matmul() 将最后两个维度视为矩阵维度,其余维度按照广播规则处理。

A = np.ones((10, 3, 4))
B = np.ones((4, 2))

C = A @ B

print(C.shape)
# (10, 3, 2)

这里的 A 可以理解为包含 10 个形状为 (3, 4) 的矩阵。

B 会在逻辑上应用于每一个矩阵,最终得到 10 个形状为 (3, 2) 的结果。

这种批量运算方式广泛用于多样本数值计算,可以避免在 Python 层编写显式循环。

五、线性方程组求解

线性代数中的常见问题是求解:

Ax = b

其中,A 为系数矩阵,b 为已知向量,x 为待求解向量。

NumPy 提供 np.linalg.solve():

A = np.array([
    [3., 1.],
    [1., 2.]
])

b = np.array([9., 8.])

x = np.linalg.solve(A, b)

print(x)
# [2. 3.]

对于方阵且满秩的系数矩阵,solve() 可以直接求解线性方程组。

从数学上看,也可以使用矩阵逆进行计算:

x = np.linalg.inv(A) @ b

但在实际数值计算中,通常应优先选择 solve()。

原因在于,显式计算矩阵逆往往引入不必要的计算开销,并可能带来额外的数值误差。

另外,矩阵可逆并不意味着计算一定具有良好的数值稳定性。当系数矩阵接近奇异时,即使存在理论解,计算结果也可能对输入误差非常敏感。

六、最小二乘与矩阵分解

当线性方程组不存在精确解,或者方程数量多于未知数时,可以考虑最小二乘法。

NumPy 使用 np.linalg.lstsq() 求解最小二乘问题:

A = np.array([
    [1., 1.],
    [1., 2.],
    [1., 3.]
])

b = np.array([1., 2., 2.])

x, residuals, rank, s = np.linalg.lstsq(
    A, b, rcond=None
)

print(x)
# [0.66666667 0.5]

该函数寻找使残差平方和最小的解,常用于线性拟合、参数估计和回归分析。

除方程求解外,numpy.linalg 还提供常见的矩阵分析工具:

函数 主要用途
np.linalg.norm 计算向量或矩阵范数
np.linalg.det 计算方阵行列式
np.linalg.eig 计算特征值与特征向量
np.linalg.svd 奇异值分解
np.linalg.cond 计算矩阵条件数

这些操作是数值分析与机器学习算法的重要基础,但其数学定义和适用条件各不相同。

七、数值计算的正确性

线性代数运算通常使用浮点数,因此结果可能存在舍入误差。

验证计算结果时,不应简单依赖严格相等判断。

x = np.linalg.solve(A[:2], b[:2])

np.allclose(A[:2] @ x, b[:2])

np.allclose() 通过相对容差与绝对容差判断数值是否足够接近。

不过,残差较小并不能单独保证求得的解足够准确。对于病态矩阵,还需要关注条件数、输入误差及计算精度。

在高性能计算中,NumPy 的部分线性代数操作可以利用 BLAS 和 LAPACK 等底层数值计算库。实际性能取决于 NumPy 的构建配置、矩阵规模、数据类型及内存布局。

八、结语

NumPy 的线性代数能力建立在统一的多维数组模型之上。

学习这些操作,需要明确逐元素运算与矩阵运算的区别,理解向量和矩阵的维度规则,并掌握线性方程组求解的基本数值方法。

矩阵计算的正确性不仅取决于数学公式,还受到浮点精度、矩阵条件数和底层算法的影响。

下一篇将讨论 NumPy 的随机数生成与概率分布,介绍随机数生成器、种子管理及常见分布的采样方法。


下一篇:NumPy 系列(八):随机数生成与概率分布

【版权声明】本文为华为云社区用户原创内容,未经允许不得转载,如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。