是否存在scipy/numpy/...
用于矩阵高斯消元的标准方法?
通过谷歌可以找到很多片段,但如果可能的话,我更愿意使用“受信任的”模块。
我终于发现,它可以使用LU 分解来完成。这里U矩阵表示线性系统的简化形式。
from numpy import array
from scipy.linalg import lu
a = array([[2.,4.,4.,4.],[1.,2.,3.,3.],[1.,2.,2.,2.],[1.,4.,3.,4.]])
pl, u = lu(a, permute_l=True)
然后u
读取
array([[ 2., 4., 4., 4.],
[ 0., 2., 1., 2.],
[ 0., 0., 1., 1.],
[ 0., 0., 0., 0.]])
根据系统的可解性,该矩阵具有上三角形或梯形结构。在上述情况下,出现一行零,因为矩阵只有 rank 3
。
一个值得检查的功能是_remove_redundancy
,如果您希望删除重复或冗余的方程:
import numpy as np
import scipy.optimize
a = np.array([[1.,1.,1.,1.],
[0.,0.,0.,1.],
[0.,0.,0.,2.],
[0.,0.,0.,3.]])
print(scipy.optimize._remove_redundancy._remove_redundancy(a, np.zeros_like(a[:, 0]))[0])
这使:
[[1. 1. 1. 1.]
[0. 0. 0. 3.]]
作为@flonk 答案的注释,使用 LU 分解可能并不总是给出所需的缩减行矩阵。例子:
import numpy as np
import scipy.linalg
a = np.array([[1.,1.,1.,1.],
[0.,0.,0.,1.],
[0.,0.,0.,2.],
[0.,0.,0.,3.]])
_,_, u = scipy.linalg.lu(a)
print(u)
给出相同的矩阵:
[[1. 1. 1. 1.]
[0. 0. 0. 1.]
[0. 0. 0. 2.]
[0. 0. 0. 3.]]
即使最后 3 行是线性相关的。
您可以使用符号数学python库sympy
import sympy as sp
m = sp.Matrix([[1,2,1],
[-2,-3,1],
[3,5,0]])
m_rref, pivots = m.rref() # Compute reduced row echelon form (rref).
print(m_rref, pivots)
这将以简化的梯队形式输出矩阵,以及枢轴列的列表
Matrix([[1, 0, -5],
[0, 1, 3],
[0, 0, 0]])
(0, 1)