Python NumPy线性代数核心操作与实战示例

陈默

发布时间：2026-10-13 | 2人浏览过

原创

本文详解Python中NumPy库的线性代数应用，涵盖矩阵点积、内积、行列式计算及线性方程组求解。通过具体代码示例展示np.dot、np.vdot、np.linalg.det及np.linalg.solve等函数的用法，帮助开发者掌握数值计算核心技能。

NumPy线性代数基础功能概览

本文深入解析Python中NumPy库在线性代数领域的具体应用，通过详细的代码示例展示关键函数的使用方法，为相关学习与工作提供实用参考。

NumPy线性代数基础功能概览

矩阵乘法与点积计算

矩阵乘法运算实现


>>> import numpy as np
>>> x=np.array([[1,2,3],[4,5,6]])
>>> y=np.array([[7,8],[-1,7],[8,9]])
>>> x
array([[1, 2, 3],
    [4, 5, 6]])
>>> y
array([[ 7, 8],
    [-1, 7],
    [ 8, 9]])
>>> x.dot(y)
array([[ 29, 49],
    [ 71, 121]])
>>> np.dot(x,y)
array([[ 29, 49],
    [ 71, 121]])

使用dot函数计算点积


>>> a=np.array([[1,2],[3,4]])
>>> b=np.array([[11,12],[12,13]])
>>> np.vdot(a,b)
123

其底层计算逻辑遵循标准矩阵乘法规则


result=1*11+2*12+3*12+4*13

内积与行列式求解

内积（Inner Product）计算方法


>>> np.inner(np.array([1,2,3]),np.array([0,1,0]))
2

内积的具体数值计算公式


result=1*0+2*1+3*0

行列式（Determinant）求解


>>> np.inner(np.array([1,2,3]),np.array([0,1,0]))
2
>>> a=np.array([[1,2],[3,4]])
>>> np.linalg.det(a)
-2.0000000000000004

线性方程组求解实战

线性方程组的数值解法


x + y + z = 6
2y + 5z = -4
2x + 5y - z = 27

方程组的矩阵表示形式


>>> import numpy as np
>>> a = np.array([[1,1,1],[0,2,5],[2,5,-1]])
>>> ainv = np.linalg.inv(a)#求矩阵的逆
>>> b = np.array([[6],[-4],[27]])
>>> x = np.linalg.solve(a,b)#求解需要A-1和B
>>> x
array([[ 5.],
    [ 3.],
    [-2.]])
>>>

以上内容总结了NumPy线性代数操作的核心要点，希望能为读者的技术实践提供有效帮助，欢迎持续关注更多技术分享。