Matrices de escamas

La matriz es un elemento muy común de las matemáticas y se utiliza para realizar muchos tipos diferentes de cálculos. El lenguaje de programación de Python está diseñado para hacer que la vida de las personas sea más fácil y simple. Proporciona funciones muy útiles para realizar todo tipo de cálculos científicos, estadísticos y matemáticos. En las matemáticas generales, la matriz es una disposición de datos en forma de columnas y filas. Este artículo es una guía sobre cómo trabajar con matrices en los programas de Python. Python ofrece diferentes bibliotecas asociadas con una variedad de funciones para tratar con matrices. Al final de este artículo, podrá implementar las diferentes funciones de Python en matrices.

¿Qué son las matrices escasas??

Scipy es una biblioteca de Python que proporciona diferentes tipos de métodos, funciones y módulos que son perfectos para realizar cualquier tipo de función matemática y estadística. La biblioteca Scipy tiene el módulo Linalg que se usa en matrices para realizar las diferentes operaciones en matrices como transposición, multiplicación matricial, etc. Contiene todas las funciones en las que tiene el módulo Linalg de la biblioteca Numpy y las más avanzadas que no forman parte del módulo Linalg de la biblioteca Numpy. Además, está compuesto por el soporte de los módulos de Lapack y Blas. Calculemos el inverso de una matriz utilizando la función del módulo Linalg de la biblioteca Scipy.

Ejemplo 1:

Este ejemplo usa la función inv () para calcular la inversa de una matriz. La función inv () es parte del módulo Linalg en la biblioteca Scipy. Considere el siguiente programa:

importar numpy como np
de scipy import linalg
MAT = NP.Array ([[3, 9], [7, 6]])
imprimir (linalg.inv (mat))

El programa comienza con la importación de las bibliotecas Numpy y Scipy en el programa. Todas las funciones en el programa están asociadas con las bibliotecas. La matriz se declara en el NP.módulo array () y pasada a la función inv (). Verifiquemos lo inverso de la matriz en lo siguiente:

Ejemplo 2:

Otras funciones de la biblioteca Scipy y el módulo Linalg que se pueden realizar en la matriz son transposición, multiplicación de matriz, etc. Este ejemplo explica cómo implementar estas funciones en la matriz. Considere el siguiente código de muestra:

importar numpy como np
de scipy import linalg
mata = np.Array ([[3, 9], [7, 5]])
MATB = NP.Array ([[4, 8], [2, 6]])
imprimir ("La transposición de la matriz B es:", Matb.T)
imprimir ("\ nthe Multipleation of Matrix es:", Mata.punto (MATB.T)

Aquí, puede ver que las bibliotecas Numpy y Scipy se llaman en el programa para usar las funciones asociadas con ellas. Después de eso, se declaran dos matrices. La transposición de la matriz se calcula utilizando la función "t" del módulo Linalg. Y la multiplicación de las dos matrices se realiza utilizando la función dot () del módulo linalg. La salida es la siguiente:

Python Scipy Matrices dispersas

La biblioteca Scipy también funciona con matrices dispersas. Las matrices escasas son básicamente consistentes en principalmente valores cero o elementos no utilizados. Los datos escasos son los datos que no tienen ninguna información. Cuando tratamos el derivado parcial en la computación científica, a menudo nos encontramos con datos escasos. La siguiente sección explica el Scipy.Módulo Sprase con la ayuda de ejemplos. La biblioteca Scipy tiene un módulo escaso que ofrece muchas funciones útiles que se utilizarán para realizar múltiples tipos de cálculo en las matrices.

Hay dos tipos de matrices dispersas que son picantes.Usos del módulo escaso para el cálculo de la matriz: son CSC y CSR. La matriz CSC significa matriz de columna dispersa comprimida y la matriz CSR significa matriz de fila dispersa comprimida. La matriz de CSC realiza aritméticos de corte de columna rápida y eficientes en columnas. Por otro lado, el CSR realiza un corte de fila rápida y calcula rápidamente el vector de matriz. Expliquemos cada tipo de matriz con la ayuda de ejemplos.

Ejemplo 1:

En este ejemplo, lo guiaremos sobre cómo crear una matriz CSR utilizando el método CSR_MATRIX de la biblioteca SciPy. El módulo disperso tiene la función CSR_MATRIX que se utiliza para crear una matriz CSR. Considere el programa de muestra en el siguiente fragmento de código para comprender cómo implementar la función CSR_MATRIX en un programa Python:

importar numpy como np
De Scipy.SPARSE IMPORT CSR_MATRIX
CSR = NP.Array ([0, 2, 1, 0, 0, 0, 1, 0, 0, 0, 3, 0, 0, 0])
Imprimir (CSR_MATRIX (CSR))

La función scr_matrix corta las filas y recoge los valores no cerosos y crea la matriz de CSR de esos valores distintos de cero. La biblioteca Numpy se incluye en el programa como NP para que podamos usar la matriz Numpy para la declaración de datos. Después de eso, la biblioteca Scipy junto con el módulo disperso se incluye para llamar explícitamente la función CSR_MATRIX. Después de importar las bibliotecas requeridas, los datos se declaran, almacenados en la variable "CSR" y se pasa a la función CSR_MATRIX para crear la matriz de CSR. El código dado devuelve la siguiente matriz:

Ejemplo 2:

Aprendamos cómo crear una matriz CSC utilizando las funciones del módulo escaso de la biblioteca Scipy. El módulo disperso proporciona la función CSC_MATRIX para crear una matriz CSC. Creemos una matriz vacía de 3 x 3 CSC en este ejemplo. Considere el siguiente código de muestra:

De Scipy.Imports escaso CSC_MATRIX
csc_matrix ((3, 3))

Aquí, puede ver que la biblioteca Scipy junto con el módulo escaso se incluye en el programa para llamar a la función CSC_MATRIX. Para crear la matriz de 3 x 3, la forma de la matriz se pasa a la función csc_matrix. Veamos la salida generada por esta línea de código:

La salida indica que se crea una matriz de tamaño 3 x 3 y un flotador de tipo de datos. Ahora, si desea ver la matriz creada, puede usar la función ToArray () con la función CSC_MATRIX. Además, si desea cambiar el tipo de datos de los datos en la matriz, puede especificar el tipo de datos en el csc_matrix. Consulte la siguiente línea de código para comprender cómo puede especificar estos parámetros con la función CSC_MATRIX:

De Scipy.Imports escaso CSC_MATRIX
csc_matrix ((3, 3), dtype = np.int8).ToArray ()

El tipo de datos se puede dar en el parámetro "dtype". Aquí, se declara el tipo de datos "int8". Además, la función "toArray" se llama con la función csc_matrix. Veamos la matriz CSC vacía creada en la siguiente:

Conclusión

Este artículo está dedicado a las matrices de Python Scipy. Exploramos la biblioteca Scipy para matrices y aprendimos sobre los diferentes métodos y funciones de la biblioteca Scipy para matrices. La biblioteca Scipy proporciona un módulo disperso que ofrece una amplia gama de funciones que se utilizarán con matrices. También exploramos las funciones del módulo Linalg de la biblioteca Scipy disponible para matrices. Con la ayuda de ejemplos, demostramos cómo implementar las funciones de estos módulos en los programas de Python.