Matrices scipy

La matrice est un élément très courant des mathématiques et il est utilisé pour effectuer de nombreux types de calculs différents. Le langage de programmation Python est conçu pour rendre la vie des gens plus facile et plus simple. Il offre des fonctions très utiles pour effectuer toutes sortes de calculs scientifiques, statistiques et mathématiques. En mathématiques générales, la matrice est une disposition des données sous forme de colonnes et de lignes. Cet article est un guide sur la façon de travailler avec des matrices dans les programmes Python. Python propose différentes bibliothèques associées à une variété de fonctions pour traiter les matrices. À la fin de cet article, vous pourrez implémenter les différentes fonctions Python sur les matrices.

Que sont les matrices Scipy?

Scipy est une bibliothèque Python qui fournit différents types de méthodes, fonctions et modules qui sont parfaits pour remplir tout type de fonction mathématique et statistique. La bibliothèque Scipy a le module Linalg qui est utilisé sur les matrices pour effectuer les différentes opérations sur des matrices comme la transposition, la multiplication matricielle, etc. Il contient toutes les fonctions dans lesquelles le module Linalg de la bibliothèque Numpy a et les plus avancés qui ne font pas partie du module Linalg de la bibliothèque Numpy. De plus, il est composé par le soutien des modules Lapack et Blas. Calculons l'inverse d'une matrice en utilisant la fonction du module Linalg de la bibliothèque Scipy.

Exemple 1:

Cet exemple utilise la fonction inv () pour calculer l'inverse d'une matrice. La fonction inv () fait partie du module Linalg dans la bibliothèque Scipy. Considérez le programme suivant:

Importer Numpy comme NP
de Scipy Import Linalg
mat = np.Array ([[3, 9], [7, 6]])
Imprimer (Linalg.inv (mat))

Le programme commence par l'importation des bibliothèques Numpy et Scipy dans le programme. Toutes les fonctions du programme sont associées aux bibliothèques. La matrice est déclarée dans le NP.module array () et transmis à la fonction inv (). Vérifions l'inverse de la matrice dans ce qui suit:

Exemple 2:

Les autres fonctions de la bibliothèque SCIPY et du module Linalg qui peuvent être effectuées sur la matrice sont la transposition, la multiplication de la matrice, etc. Cet exemple explique comment implémenter ces fonctions sur la matrice. Considérez l'exemple de code suivant:

Importer Numpy comme NP
de Scipy Import Linalg
mata = np.Array ([[3, 9], [7, 5]])
matb = np.Array ([[4, 8], [2, 6]])
Print ("La transposition de la matrice B est:", Matb.T)
Print ("\ nLe multiplication de la matrice est:", Mata.point (matb.T))

Ici, vous pouvez voir que les bibliothèques Numpy et Scipy sont appelées dans le programme pour utiliser les fonctions qui leur sont associées. Après cela, deux matrices sont déclarées. La transposition de la matrice est calculée à l'aide de la fonction «T» du module Linalg. Et la multiplication des deux matrices est effectuée en utilisant la fonction DOT () du module Linalg. La sortie est la suivante:

Matrices clairsemées Python Scipy

La bibliothèque Scipy travaille également avec des matrices clairsemées. Les matrices clairsemées sont essentiellement constituées de valeurs nulles ou d'éléments inutilisés. Les données clairsemées sont les données qui n'ont aucune information. Lorsque nous traitons la dérivée partielle de l'informatique scientifique, nous rencontrons souvent des données clairsemées. La section suivante explique le scipy.Module Sprase à l'aide d'exemples. La bibliothèque Scipy a un module clairsemé qui offre de nombreuses fonctions utiles à utiliser pour effectuer plusieurs types de calculs sur les matrices.

Il existe deux types de matrices clairsemées qui épicées.Utilisation du module clairsemé pour le calcul de la matrice - Ce sont des CSC et CSR. La matrice CSC signifie une matrice de colonne clairsemée compressée et la matrice CSR signifie une matrice de ligne clairsemée compressée. La matrice CSC effectue un coupure de colonne rapide et une arithmétique efficace sur les colonnes. D'un autre côté, le RSR effectue un découpage rapide et calcule rapidement le vecteur matriciel. Expliquons chaque type de matrice à l'aide d'exemples.

Exemple 1:

Dans cet exemple, nous vous guiderons sur la façon de créer une matrice CSR à l'aide de la méthode CSR_MATRIX de la bibliothèque SCIPY. Le module clairsemé a la fonction CSR_MATRIX qui est utilisée pour créer une matrice CSR. Considérez l'exemple de programme dans l'extrait de code suivant pour comprendre comment implémenter la fonction CSR_MATRIX dans un programme Python:

Importer Numpy comme NP
de Scipy.Importation clairsemée CSR_MATRIX
CSR = NP.Array ([0, 2, 1, 0, 0, 0, 1, 0, 0, 0, 3, 0, 0, 0])
print (CSR_MATRIX (CSR))

La fonction SCR_MATRIX tranche les lignes et collecter les valeurs non nulles et créer la matrice CSR de ces valeurs non nulles. La bibliothèque Numpy est incluse dans le programme en tant que NP afin que nous puissions utiliser le tableau Numpy pour la déclaration de données. Après cela, la bibliothèque SCIPY ainsi que le module clairsemé sont incluses pour appeler explicitement la fonction CSR_MATRIX. Après l'importation des bibliothèques requises, les données sont déclarées, stockées dans la variable «CSR» et transmise à la fonction CSR_MATRIX pour créer la matrice CSR. Le code donné renvoie la matrice suivante:

Exemple 2:

Laissez-nous savoir comment créer une matrice CSC en utilisant les fonctions du module clairsemé de la bibliothèque Scipy. Le module clairsemé fournit la fonction CSC_MATRIX pour créer une matrice CSC. Créons une matrice vide de 3 x 3 CSC dans cet exemple. Considérez l'exemple de code suivant:

de Scipy.Import clairsemé CSC_MATRIX
CSC_MATRIX ((3, 3))

Ici, vous pouvez voir que la bibliothèque Scipy avec le module clairsemé est incluse dans le programme pour appeler la fonction CSC_MATRIX. Pour créer la matrice 3 x 3, la forme de la matrice est transmise à la fonction CSC_MATRIX. Voyons la sortie générée par cette ligne de code:

La sortie indique qu'une matrice de taille 3 x 3 et le flotteur de type de données est créé. Maintenant, si vous souhaitez voir la matrice créée, vous pouvez utiliser la fonction ToArray () avec la fonction CSC_MATRIX. De plus, si vous souhaitez modifier le type de données des données dans la matrice, vous pouvez spécifier le type de données dans le CSC_Matrix. Voir la ligne de code suivante pour comprendre comment vous pouvez spécifier ces paramètres avec la fonction CSC_MATRIX:

de Scipy.Import clairsemé CSC_MATRIX
csc_matrix ((3, 3), dtype = np.int8).toarray ()

Le type de données peut être donné dans le paramètre «dtype». Ici, le type de données «INT8» est déclaré. De plus, la fonction «TOARRAY» n'est pas appelée avec la fonction CSC_MATRIX. Voyons la matrice CSC vide créée dans ce qui suit:

Conclusion

Cet article est dédié aux matrices Python Scipy. Nous avons exploré la bibliothèque Scipy pour les matrices et appris les différentes méthodes et fonctions de la bibliothèque Scipy pour les matrices. La bibliothèque Scipy fournit un module clairsemé qui offre une large gamme de fonctions à utiliser avec des matrices. Nous avons également exploré les fonctions du module Linalg de la bibliothèque SCIPY disponible pour les matrices. Avec l'aide d'exemples, nous avons démontré comment implémenter les fonctions de ces modules dans les programmes Python.