Scipy matriser

Matrix er et veldig vanlig element i matematikk, og det brukes til å utføre mange forskjellige typer beregninger. Python -programmeringsspråket er designet for å gjøre folks liv enklere og enklere. Det gir veldig nyttige funksjoner for å utføre alle slags vitenskapelige, statistiske og matematiske beregninger. Generelt matematikk er matrisen et arrangement av data i form av kolonner og rader. Denne artikkelen er en guide for hvordan du jobber med matriser i Python -programmer. Python tilbyr forskjellige biblioteker tilknyttet en rekke funksjoner for å håndtere matriser. På slutten av denne artikkelen vil du kunne implementere de forskjellige Python -funksjonene på matriser.

Hva er scipy matriser?

Scipy er et Python -bibliotek som gir forskjellige typer metoder, funksjoner og moduler som er perfekte for å utføre noen form for matematisk og statistisk funksjon. Scipy -biblioteket har Lining -modulen som brukes på matriser for å utføre de forskjellige operasjonene på matriser som transponering, matriksmultiplikasjon osv. Den inneholder alle funksjonene som Lining -modulen til Numpy -biblioteket har og de mer avanserte som ikke er en del av Linald -modulen til Numpy Library. Dessuten består det ved støtte fra Lapack og BLAS -moduler. La oss beregne det inverse av en matrise ved å bruke funksjonen til Linald -modulen til Scipy Library.

Eksempel 1:

Dette eksemplet bruker inv () -funksjonen for å beregne inverse av en matrise. Inv () -funksjonen er en del av Linald -modulen i Scipy -biblioteket. Tenk på følgende program:

Importer numpy som NP
fra Scipy Import Linald
MAT = NP.Array ([[3, 9], [7, 6]])
Trykk (Lining.inv (mat))

Programmet starter med å importere Numpy og Scipy -bibliotekene til programmet. Alle funksjonene i programmet er tilknyttet bibliotekene. Matrisen er erklært i NP.Array () -modulen og gitt til Inv () -funksjonen. La oss sjekke det inverse av matrisen i det følgende:

Eksempel 2:

Andre funksjoner av Scipy -biblioteket og ling -modulen som kan utføres på matrisen er transponer, matriksmultiplikasjon osv. Dette eksemplet forklarer hvordan du implementerer disse funksjonene på matrisen. Tenk på følgende prøvekode:

Importer numpy som NP
fra Scipy Import Linald
mata = np.Array ([[3, 9], [7, 5]])
MATB = NP.Array ([[4, 8], [2, 6]])
trykk ("Transponering av matrise B er:", MATB.T)
trykker ("\ n the multiplication of Matrix er:", mata.DOT (MATB.T))

Her kan du se at Numpy og Scipy -bibliotekene blir kalt i programmet for å bruke funksjonene som er tilknyttet dem. Etter det er to matriser erklært. Matrisenes transponering beregnes ved hjelp av "T" -funksjonen til Lining -modulen. Og multiplikasjonen av de to matriser utføres ved hjelp av dot () -funksjonen til Linald -modulen. Utgangen er som følger:

Python Scipy sparsomme matriser

Scipy -biblioteket fungerer også med sparsomme matriser. De sparsomme matriser er i utgangspunktet bestående av stort sett null verdier eller ubrukte elementer. De sparsomme dataene er dataene som ikke har noen informasjon. Når vi takler det delvise derivatet i vitenskapelig databehandling, kommer vi ofte over sparsomme data. Følgende avsnitt forklarer scipy.sprasemodul ved hjelp av eksempler. Scipy -biblioteket har en sparsom modul som tilbyr mange nyttige funksjoner som skal brukes til å utføre flere typer beregning på matriser.

Det er to typer sparsomme matriser som er krydret.Sparsom modul bruker for matriseberegning - de er CSC og CSR. CSC -matrisen står for komprimert sparsom kolonnematrise og CSR -matrisen står for komprimert sparsom radmatrise. CSC -matrisen utfører hurtig søyle skiver og effektive aritmetikk på kolonner. På den annen side utfører CSR rask radskiver og beregner raskt matriksvektoren. La oss forklare hver type matrise ved hjelp av eksempler.

Eksempel 1:

I dette eksemplet vil vi veilede deg om hvordan du lager en CSR -matrise ved hjelp av CSR_Matrix -metoden i Scipy Library. Den sparsomme modulen har CSR_Matrix -funksjonen som brukes til å lage en CSR -matrise. Tenk på prøveprogrammet i følgende kodebit for å forstå hvordan du implementerer CSR_Matrix -funksjonen i et Python -program:

Importer numpy som NP
Fra scipy.Sparsom import csr_matrix
CSR = NP.Array ([0, 2, 1, 0, 0, 0, 1, 0, 0, 0, 3, 0, 0, 0])
Print (CSR_MATRIX (CSR))

SCR_Matrix-funksjonen skiver radene og samler ikke-nullverdiene og oppretter CSR-matrisen til disse ikke-nullverdiene. Numpy -biblioteket er inkludert i programmet som NP, slik at vi kan bruke Numpy Array for Data Declaration. Etter det er Scipy -biblioteket sammen med den sparsomme modulen inkludert for eksplisitt å kalle CSR_MATRIX -funksjonen. Etter å ha importert de nødvendige bibliotekene, blir dataene erklært, lagret i "CSR" -variabelen og føres til CSR_Matrix -funksjonen for å opprette CSR -matrisen. Den gitte koden returnerer følgende matrise:

Eksempel 2:

La oss lære å lage en CSC -matrise ved å bruke funksjonene til den sparsomme modulen på Scipy Library. Den sparsomme modulen gir CSC_Matrix -funksjonen for å lage en CSC -matrise. La oss lage en tom 3 x 3 CSC -matrise i dette eksemplet. Tenk på følgende prøvekode:

Fra scipy.Sparsom import csc_matrix
CSC_MATRIX ((3, 3))

Her kan du se at Scipy -biblioteket sammen med den sparsomme modulen er inkludert i programmet for å ringe CSC_Matrix -funksjonen. For å lage 3 x 3 -matrisen føres formen på matrisen til CSC_Matrix -funksjonen. La oss se den genererte utgangen med denne kodelinjen:

Utgangen indikerer at en matrise av størrelse 3 x 3 og datatype float opprettes. Nå, hvis du vil se den opprettede matrisen, kan du bruke toarray () -funksjonen med CSC_Matrix -funksjonen. Dessuten, hvis du vil endre datatypen til dataene i matrisen, kan du spesifisere typen data i CSC_Matrix. Se følgende kodelinje for å forstå hvordan du kan spesifisere disse parametrene med CSC_MATRIX -funksjonen:

Fra scipy.Sparsom import csc_matrix
csc_matrix ((3, 3), dtype = np.int8).ToArray ()

Datatypen kan gis i parameteren “DType”. Her er "int8" -datatypen erklært. Dessuten kalles "ToArray" -funksjonen med CSC_Matrix -funksjonen. La oss se den skapte tomme CSC -matrisen i følgende:

Konklusjon

Denne artikkelen er dedikert til Python Scipy -matriser. Vi utforsket Scipy -biblioteket for matriser og lærte om de forskjellige metodene og funksjonene til Scipy -biblioteket for matriser. Scipy -biblioteket gir en sparsom modul som tilbyr et bredt spekter av funksjoner som skal brukes med matriser. Vi utforsket også funksjonene til Lining -modulen til Scipy -biblioteket som er tilgjengelig for matriser. Ved hjelp av eksempler demonstrerte vi hvordan vi skal implementere funksjonene til disse modulene i Python -programmer.