NumPy矩阵操作完全教程

引言

NumPy是Python中用于科学计算的核心库，尤其在矩阵和线性代数操作中扮演着重要角色。本教程将带您从零开始学习NumPy中的矩阵基础操作，适合初学者和有一定Python基础的用户。通过详细解释和代码示例，您将掌握创建矩阵、处理矩阵属性、进行矩阵运算等关键技能。

1. 矩阵基础操作

在NumPy中，矩阵是二维数组，但NumPy提供了专门的矩阵类（np.matrix）来简化线性代数操作。不过，标准数组（np.ndarray）也支持大多数矩阵操作，因此了解两者之间的区别很重要。矩阵基础操作包括加法、减法、乘法等，但本教程将专注于更高级的功能。

关键点：NumPy矩阵继承自数组，但重载了一些操作符（如*表示矩阵乘法，而数组使用@或np.dot()）。

2. 矩阵创建

NumPy提供了两种主要方法来创建矩阵：np.matrix() 和 np.asmatrix()。

np.matrix()

• 创建一个新的矩阵对象。它接受多种输入形式，如列表、数组或字符串（表示矩阵元素）。
• 语法：np.matrix(data, dtype=None, copy=True)
  • data：输入数据，可以是列表、数组或其他序列。
  • dtype：可选，指定数据类型。
  • copy：布尔值，默认为True，表示复制数据。
• 示例代码：

import numpy as np
# 使用列表创建矩阵
mat1 = np.matrix([[1, 2], [3, 4]])
print("矩阵 mat1:")
print(mat1)
# 使用字符串创建（不常用，但支持）
mat2 = np.matrix('1 2; 3 4')  # 分号分隔行
print("矩阵 mat2:")
print(mat2)

np.asmatrix()

• 将输入转换为矩阵，如果输入已经是矩阵，则直接返回；否则尝试转换为矩阵。
• 语法：np.asmatrix(data)
• 示例代码：

arr = np.array([[5, 6], [7, 8]])
mat3 = np.asmatrix(arr)
print("通过数组转换的矩阵 mat3:")
print(mat3)
print("类型:", type(mat3))

注意：np.matrix()会创建新矩阵，而np.asmatrix()是视图操作，可能共享数据（如果输入是数组且copy参数为False时）。

3. 矩阵属性（T/H/A）与数组转换

矩阵对象有几个常用属性，用于获取转置、共轭转置等。

矩阵属性

• T：返回矩阵的转置（transpose）。对于实数矩阵，这是行和列互换；对于复数矩阵，转置不涉及共轭。
• H：返回矩阵的共轭转置（Hermitian transpose），仅适用于复数矩阵；对于实数矩阵，与T相同。
• A：返回矩阵作为基础数组（np.ndarray），这是一个视图，不复制数据。
• 示例代码：

mat = np.matrix([[1, 2j], [3, 4]])  # 包含复数
print("原始矩阵 mat:")
print(mat)
print("转置 mat.T:")
print(mat.T)  # 转置
print("共轭转置 mat.H:")
print(mat.H)  # 共轭转置（共轭复数）
print("作为数组 mat.A:")
print(mat.A)  # 数组视图
print("数组类型:", type(mat.A))

数组转换

• 除了使用.A属性，还可以使用np.array()将矩阵转换为数组。
• 示例代码：

mat_array = np.array(mat)  # 转换为数组
print("转换后的数组:")
print(mat_array)
print("类型:", type(mat_array))

注意：转换为数组后，*操作符将执行元素级乘法，而不是矩阵乘法。

4. 矩阵求逆（np.linalg.inv()）与伪逆（np.linalg.pinv()）

矩阵的逆在解线性方程组中非常重要。NumPy提供了函数来计算逆和伪逆。

np.linalg.inv()

• 计算方阵的逆矩阵。输入必须是方阵（行数和列数相等）且可逆（行列式不为零）。
• 语法：np.linalg.inv(a)
  • a：输入矩阵。
• 示例代码：

mat = np.matrix([[4, 7], [2, 6]])
print("原始矩阵 mat:")
print(mat)
inverse_mat = np.linalg.inv(mat)
print("逆矩阵:")
print(inverse_mat)
# 验证：mat * inverse_mat 应接近单位矩阵
test = mat * inverse_mat
print("验证（应接近单位矩阵）:")
print(test)

np.linalg.pinv()

• 计算矩阵的伪逆（Moore-Penrose伪逆），适用于非方阵或奇异矩阵（行列式为零）。
• 语法：np.linalg.pinv(a, rcond=None)
  • a：输入矩阵。
  • rcond：可选，奇异值截断阈值。
• 示例代码：

mat_non_square = np.matrix([[1, 2, 3], [4, 5, 6]])  # 2x3 非方阵
print("非方阵 mat_non_square:")
print(mat_non_square)
pseudo_inv = np.linalg.pinv(mat_non_square)
print("伪逆矩阵:")
print(pseudo_inv)

注意：求逆时可能遇到数值不稳定性或奇异矩阵错误；伪逆提供了一种更稳健的解决方案。

5. 矩阵的迹（np.trace()）与行列式（np.linalg.det()）

迹和行列式是矩阵的重要数值特征。

np.trace()

• 计算矩阵的迹，即主对角线元素之和。
• 语法：np.trace(a, offset=0, axis1=0, axis2=1)
  • a：输入矩阵或数组。
  • offset：可选，偏移量，用于计算非主对角线的迹。
• 示例代码：

mat = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("矩阵 mat:")
print(mat)
trace_value = np.trace(mat)
print("迹:", trace_value)  # 输出：1+5+9=15

np.linalg.det()

• 计算矩阵的行列式，仅适用于方阵。行列式为零表示矩阵奇异（不可逆）。
• 语法：np.linalg.det(a)
  • a：输入矩阵。
• 示例代码：

det_value = np.linalg.det(mat)
print("行列式:", det_value)  # 对于上例，计算3x3矩阵的行列式
# 示例2
mat_singular = np.matrix([[1, 2], [2, 4]])  # 行列式为零
print("奇异矩阵:")
print(mat_singular)
det_singular = np.linalg.det(mat_singular)
print("行列式:", det_singular)  # 应接近零

注意：行列式计算可能受数值精度影响，小值可能被视为零。

结论

通过本教程，您学习了NumPy中矩阵的基础操作，包括使用np.matrix()和np.asmatrix()创建矩阵、利用属性（T、H、A）处理转置和数组转换、计算矩阵逆和伪逆、以及求迹和行列式。NumPy的矩阵功能强大，适用于各种科学计算场景。继续练习，您将能熟练应用于线性代数、机器学习和数据分析中。

如果您有任何问题，欢迎查阅NumPy官方文档或在线社区。