Rango numpy
Podemos decir que la fila o la columna son linealmente independientes cuando la fila o la columna no se pueden obtener utilizando la combinación lineal de ellos.
i.mi. [1, 2, 3], [2, 4, 6]En la matriz dada, podemos ver que la segunda fila es el múltiplo de la primera fila por 2. Pero la primera fila no es el múltiplo de cualquier otra fila en la matriz, lo que significa que el rango de la matriz de la fila es "1".
Sintaxis:
numpy.linalg.matrix_rank (matriz, tol)El linald.la función matrix_rank () devuelve el rango de la matriz utilizando el procedimiento SVD y se calcula por valores singulares mayores que el TOL. Al método de rango, pasamos dos parámetros: la primera es la matriz dada de la cual tenemos que encontrar el rango y el segundo parámetro es tol.
TOL: Es el umbral a continuación en el que los valores de SVD se suponen como nulos. No es obligatorio agregar.
Ejemplo 1: Linalg.Función matrix_rank () en una matriz unidimensional
En este ejemplo, encontramos el rango de la matriz unidimensional. Pasemos a nuestro primer paso en el que importamos nuestra biblioteca Numpy como NP. Importar es la palabra clave de Python para incluir los paquetes que proporcionan Python. Importar numpy significa que estamos importando los paquetes de Numpy. A continuación, creamos una variable "ARR1" que es responsable de mantener la matriz que creamos usando el NP.método array () que nos permite crear cualquier tipo de matriz, ya sea una matriz o n-dimensional. La matriz que creamos contiene los valores "5", "4", "0", "1", "3" y "2".
En la siguiente línea, usamos la instrucción de impresión para mostrar la matriz inicializada. Después de eso, pasamos el NP.linalg.función matrix_rank () que contiene dos parámetros. La primera es la matriz dada y la segunda es la TOL, la función que permite al compilador calcular el rango de la matriz utilizando el método SVD.
Analicemos ahora qué pasaría si generamos una matriz que tiene valores nulos. Para realizar esto, creamos una variable llamada "ARR2" a la que asignamos el NP.función de matriz donde pasamos otra función que es "np.cero "con el parámetro" 2 ". El NP.La función cero se usa para pasar los valores cero o nulos a la matriz. Esto significa que la matriz es responsable de mantener los valores "0" y los valores que se pasan a NP.cero () es el tamaño de la matriz. En este caso, es "2".
En la siguiente línea, usamos la instrucción de impresión para mostrar la matriz que inicializamos con los valores nulos. Luego, aplique el método de rango () en la matriz para verificar el rango de esa matriz.
importar numpy como nparr1 = np.Array ([5, 4, 0, 1, 3, 2])
imprimir ("La matriz es:", arr1)
Imprimir ("Rango de matriz de la primera matriz es:", NP.linalg.matrix_rank (arr1, 0))
arr2 = np.matriz (NP.ceros (2))
imprimir ("La matriz es:", arr2)
Imprimir ("Rango de matriz de la segunda matriz es:", NP.linalg.matrix_rank (arr2, 0))
Como se muestra en la siguiente captura de pantalla, la salida del código anterior se muestra en el que la primera matriz es la matriz unidimensional de tamaño "6". En la siguiente línea, se muestra el valor "1", lo que significa que el rango de la matriz es "1".
En la siguiente salida, podemos ver que tenemos una matriz de tamaño dos que contiene valores nulos. En la siguiente línea, mostramos el rango calculado de la matriz que es cero. Esto significa que ambas columnas dependen entre sí.
Ejemplo 2: Linalg.Función matrix_rank () en una matriz bidimensional
En este caso, realizamos el cálculo de rango en la matriz bidimensional. Después de incluir la biblioteca Numpy, creamos una variable que contiene la matriz. En este ejemplo, usamos el Numpy.Método Matrix () para crear una matriz. El NP.El método matriz () nos permite crear cualquier tipo de matriz en una matriz n-dimensional. En este ejemplo, creamos una matriz bidimensional con los valores "8", "1", "7", "5", "2" y "6". Luego, mostramos nuestra matriz original usando la declaración de impresión. En la siguiente línea de código, declaramos el nombre de la variable "rango" que contiene el valor de retorno del método de rango () de la matriz dada. Al final del código, simplemente mostramos el rango del código.
importar numpymatriz = numpy.matriz ([[8,1,7], [5,2,6]])
Imprimir ("Matriz original es:", Array)
Rango = Numpy.linalg.matrix_rank (matriz)
Imprimir ("Rango de una matriz es:", rango)
Avanzando hacia nuestra salida del código que se da a continuación, podemos identificar la matriz que es una matriz 3 × 2. En la siguiente ejecución, se muestra el rango de la matriz que es "2".
Ejemplo 3: Linalg.Función matrix_rank () en una matriz tridimensional
En este ejemplo, realizamos el método de rango en la matriz tridimensional. Para realizar esto, primero incluimos nuestros paquetes numpy proporcionados por Python como NP. Y luego, creamos una matriz de tamaño 3 × 3 que tiene los valores "8", "1", "7", "4", "3", "9", "5", "2" y "6 ". Después de eso, pasamos la matriz inicializada a la declaración de impresión. Después de mostrar la matriz inicial, declaramos una nueva variable que almacena el valor de retorno de la función de rango (). Por último, imprimimos el valor de rango () devuelto utilizando la variable "rango" pasando a la función de impresión.
importar numpymatriz = numpy.matriz ([[8,1,7], [4,3,9], [5,2,6]])
Imprimir ("Matriz original es:", Array)
Rango = Numpy.linalg.matrix_rank (matriz)
Imprimir ("Rango de una matriz es:", rango)
La siguiente ilustración muestra la matriz tridimensional que inicializamos. El resultado de la función de rango () que obtenemos es "3".
Conclusión
Este manual proporcionó una información sobre el Numpy.linalg.matrix_rank () que es la función de la biblioteca Numpy de Python. Explicamos cuál es el propósito de la función de rango. También realizamos algunos ejemplos para hacerle comprender la idea más a fondo. Es más eficiente usar cuando calculamos el rango de la matriz que es mayor que 5 × 5. Manualmente, podemos calcular el rango fácilmente, pero cuando el tamaño de la matriz se incrementa en cierta medida, se vuelve difícil calcularlo manualmente.