Numpy rang

Rangeringen av matrisen er antall lineært uavhengige kolonnevektorer i matrisen eller det maksimale antall lineært radvektorer i matrisen. La oss anta at vi har en matrise “RXC” som betyr at radene og kolonnene som den maksimale rangering som matrisen kan få er “R”. Men hvis “R” er større enn “C”, er den maksimale rangering som matrisen kan få “C”. Det er veldig nyttig i flere scenarier. Den forteller oss hvor mange løsninger for alle typer beregninger for matrisen som eksisterer.

Vi kan si at raden eller kolonnen er lineært uavhengig når raden eller kolonnen ikke kan oppnås ved bruk av den lineære kombinasjonen av dem.

Jeg.e. [1, 2, 3], [2, 4, 6]

I den gitte matrisen kan vi se at den andre raden er multiplum av den første raden med 2. Men den første raden er ikke flere av noen annen rad i matrisen, noe som betyr at rangen til radmatrisen er "1".

Syntaks:

numpy.Lining.Matrix_rank (Matrix, TOL)

Linald.Matrix_rank () -funksjonen returnerer rangering av matrisen ved hjelp av SVD -prosedyren og beregnes med entallverdier større enn TOL. Til rangmetoden passerer vi to parametere - den første er den gitte matrisen som vi må finne rangering og den andre parameteren er TOL.

Tol: Det er terskelen nedenfor der verdiene til SVD antas som null. Det er ikke obligatorisk å legge til.

Eksempel 1: ling.Matrix_rank () funksjon på endimensjonal matrise

I dette eksemplet finner vi rangering av den endimensjonale matrisen. La oss fortsette til vårt første trinn der vi importerer vårt Numpy -bibliotek som NP. Import er Python -nøkkelordet for å inkludere pakkene som er levert av Python. Importer numpy betyr at vi importerer pakkene til Numpy. Deretter lager vi en variabel “ARR1” som er ansvarlig for å holde matrisen som vi opprettet ved hjelp av NP.Array () -metode som lar oss lage hvilken som helst type matrise, enten det er en en eller n-dimensjonal matrise. Arrayen som vi oppretter holder verdiene “5”, “4”, ”0”, “1”, “3” og ”2”.

I neste linje bruker vi utskriftserklæringen for å vise den initialiserte matrisen. Etter det passerer vi NP.Lining.matrix_rank () -funksjon som inneholder to parametere. Den første er den gitte matrisen, og den andre er TOL, funksjonen som lar kompilatoren beregne rangering av matrisen ved hjelp av SVD -metoden.

La oss nå analysere hva som ville skje hvis vi genererer en matrise som har nullverdier. For å utføre dette lager vi en variabel med navnet “ARR2” som vi tildeler NP.Array -funksjonen der vi passerer en annen funksjon som er “NP.null ”med parameteren“ 2 ”. NP.Nullfunksjon brukes til å passere null- eller nullverdiene til matrisen. Dette betyr at matrisen er ansvarlig for å holde verdiene “0” og verdiene som sendes til NP.null () er størrelsen på matrisen. I dette tilfellet er det “2”.

I neste linje bruker vi utskriftserklæringen for å vise matrisen som vi initialiserte med nullverdiene. Bruk deretter Rank () -metoden på matrisen for å sjekke rangering av den matrisen.

Importer numpy som NP
ARR1 = NP.Array ([5, 4, 0, 1, 3, 2])
Print ("The Matrix er:", ARR1)
Print ("Matrix Rank of the 1st Array er:", NP.Lining.matrix_rank (arr1, 0))
arr2 = np.Array (NP.Zeros (2))
Print ("The Matrix er:", Arr2)
Print ("Matrix Rank of the 2nd Array er:", NP.Lining.matrix_rank (arr2, 0))

Som vist i følgende skjermbilde vises utgangen fra den forrige koden der den første matrisen er den endimensjonale rekke størrelsen “6”. I neste linje vises verdien “1” som betyr at rangering av matrisen er “1”.

I den følgende utgangen kan vi se at vi har en rekke størrelse to som inneholder nullverdier. I neste linje viser vi den beregnede rangering av matrisen som er null. Dette betyr at begge kolonnene er avhengige av hverandre.

Eksempel 2: ling.Matrix_rank () funksjon på todimensjonal matrise

I dette tilfellet utfører vi rangberegningen på den todimensjonale matrisen. Etter å ha inkludert Numpy -biblioteket, oppretter vi en variabel som holder matrisen. I dette eksemplet bruker vi Numpy.Matrix () -metode for å lage en matrise. NP.Matrix () -metode lar oss lage enhver type matrise til en N-dimensjonal matrise. I dette eksemplet lager vi en todimensjonal matrise med verdiene “8”, “1”, “7”, “5”, “2” og “6”. Deretter viser vi vår originale matrise ved hjelp av utskriftserklæringen. I den neste kodelinjen erklærer vi variabelnavnet “Rank” som inneholder returverdien av Rank () -metoden til den gitte matrisen. På slutten av koden viser vi ganske enkelt koden.

Importer numpy
Array = numpy.Matrix ([[8,1,7], [5,2,6]])
Print ("Original Matrix er:", Array)
Rank = numpy.Lining.matrix_rank (matrise)
trykk ("Rangering av en matrise er:", rang)

Når vi beveger oss mot vår utdata av koden som er gitt i det følgende, kan vi identifisere matrisen som er en 3 × 2 -matrise. I neste utførelse vises rangering av matrisen som er "2".

Eksempel 3: ling.Matrix_rank () funksjon på tredimensjonal matrise

I dette eksemplet utfører vi rangeringsmetoden på den tredimensjonale matrisen. For å utføre dette inkluderer vi først våre Numpy -pakker levert av Python som NP. Og så lager vi en rekke størrelse 3 × 3 med verdiene “8”, “1”, “7”, “4”, “3”, “9”, “5”, “2” og “6 ”. Etter det gir vi den initialiserte matrisen til utskriftserklæringen. Etter å ha vist den første matrisen, erklærer vi en ny variabel som lagrer rangeringsverdien () funksjonens avkastningsverdi. Til slutt skriver vi ut rang () -funksjonen returnert verdi ved å bruke "rang" -variabelen ved å sende den til utskriftsfunksjonen.

Importer numpy
Array = numpy.Matrix ([[8,1,7], [4,3,9], [5,2,6]])
Print ("Original Matrix er:", Array)
Rank = numpy.Lining.matrix_rank (matrise)
trykk ("Rangering av en matrise er:", rang)

Følgende illustrasjon viser den tredimensjonale matrisen som vi initialiserte. Resultatet av rangering () -funksjonen som vi får er “3”.

Konklusjon

Denne håndboken ga en informasjon om Numpy.Lining.matrix_rank () som er funksjonen til Pythons numpy bibliotek. Vi forklarte hva som er formålet med rangfunksjonen. Vi utførte også noen eksempler for å få deg til å forstå ideen grundigere. Det er mer effektivt å bruke når vi beregner rangering av matrisen som er større enn 5 × 5. Manuelt kan vi beregne rangeringen enkelt, men når størrelsen på matrisen økes til en viss grad, blir det vanskelig å beregne den manuelt.