NumPy 教程目录
线性代数（numpy.linalg）
NumPy线性代数函数依赖于BLAS和LAPACK来提供标准线性代数算法的高效低级实现。 这些库可以由NumPy本身使用其参考实现子集的C版本提供， 但如果可能，最好是利用专用处理器功能的高度优化的库。 这样的库的例子是OpenBLAS、MKL(TM)和ATLAS。因为这些库是多线程和处理器相关的， 所以可能需要环境变量和外部包（如threadpoolctl）来控制线程数量或指定处理器体系结构。
矩阵和向量积
| 方法 | 描述 |
|---|
| dot(a, b[, out]) |
两个数组的点积。 |
| linalg.multi_dot(arrays) |
在单个函数调用中计算两个或更多数组的点积，同时自动选择最快的求值顺序。 |
| vdot(a, b) |
返回两个向量的点积。 |
| inner(a, b) |
两个数组的内积。 |
| outer(a, b[, out]) |
计算两个向量的外积。 |
| matmul(x1, x2, /[, out, casting, order, …]) |
两个数组的矩阵乘积。 |
| tensordot(a, b[, axes]) |
沿指定轴计算张量点积。 |
| einsum(subscripts, *operands[, out, dtype, …]) |
计算操作数上的爱因斯坦求和约定。 |
| einsum_path(subscripts, *operands[, optimize]) |
通过考虑中间数组的创建，计算einsum表达式的最低成本压缩顺序。 |
| linalg.matrix_power(a, n) |
将方阵提升为(整数)n次方。 |
| kron(a, b) |
两个数组的Kronecker乘积。 |
分解
矩阵特征值
范数和其他数字
| 方法 | 描述 |
|---|
| linalg.norm(x[, ord, axis, keepdims]) |
矩阵或向量范数。 |
| linalg.cond(x[, p]) |
计算矩阵的条件数。 |
| linalg.det(a) |
计算数组的行列式。 |
| linalg.matrix_rank(M[, tol, hermitian]) |
使用SVD方法返回数组的矩阵的rank |
| linalg.slogdet(a) |
计算数组行列式的符号和（自然）对数。 |
| trace(a[, offset, axis1, axis2, dtype, out]) |
返回数组对角线的和。 |
解方程和逆矩阵
例外
一次在多个矩阵上的线性代数
上面列出的几个线性代数例程能够一次计算几个矩阵的结果，如果它们堆叠在同一数组中的话。
这在文档中通过输入参数规范（如 a : (..., M, M) array_like ）表示。 这意味着，例如，如果给定输入数组 a.shape == (N, M, M) ，则将其解释为N个矩阵的“堆栈”， 每个矩阵的大小为M×M。类似的规范也适用于返回值， 例如行列式 det : (...) 。并且在这种情况下将返回形状 det(a).shape == (N,) 的数组。 这推广到对高维数组的线性代数操作：多维数组的最后1或2维被解释为向量或矩阵，视每个操作而定。
