矩阵
使用python构建一个类，模拟矩阵，可以进行各种矩阵的计算，与各种方便的用法
init
from array import array
class Matrix:
def __init__(self, matrix: 'a list of one dimension', shape: 'a tuple of shape' = None,
dtype: 'data type code' = 'd'):
# matrix一个包含所有元素的列表，shape指定形状，默认为列向量，dtype是数据类型
# 使用一个数组模拟矩阵，通过操作这个数组完成矩阵的运算
self.shape = (len(matrix), 1)
if shape:
self.shape = shape
self.array = array(dtype, matrix)getitem
由于矩阵是一个二维数组，应当支持诸如matrix[1, 2]，matrix[1:3, 2]，matrix[1:3, 2:4]之类的取值
所以我们需要使用slice类的indice方法实现__getitem__，并支持切片
def __getitem__(self, item: 'a index of two dimensions'):
# 使用slice类的indices方法，实现二维切片
rows, cols = item
# 下面对传入的指针或者切片进行处理，使其可以统一处理
if isinstance(rows, slice):
rows = rows.indices(self.shape[0])
else:
rows = (rows, rows + 1)
if isinstance(cols, slice):
cols = cols.indices(self.shape[1])
else:
cols = (cols, cols + 1)
res = []
shape = (len(range(*rows)), len(range(*cols))) # 新矩阵的形状
# 通过遍历按照顺序将元素加入新的矩阵
for row in range(*rows):
for col in range(*cols):
index = row * self.shape[1] + col
res.append(self.array[index])
if len(res) == 1:
# 若是数则返回数
return res[0]
# 若是矩阵则返回矩阵
return Matrix(res, shape)由于要支持切片，所以需要在方法中新建一个矩阵用于返回值
setitem
由于没有序列协议的支持，我们需要自己实现__setitem__
def __setitem__(self, key: 'a index or slice of two dimensions', value):
# 使用slice类的indices方法，实现二维切片的广播赋值
rows, cols = key
if isinstance(rows, slice):
rows = rows.indices(self.shape[0])
else:
rows = (rows, rows + 1)
if isinstance(cols, slice):
cols = cols.indices(self.shape[1])
else:
cols = (cols, cols + 1)
if isinstance(value, Matrix):
# 对于传入的值是矩阵，则需要判断形状
if value.shape != (len(range(*rows)), len(range(*cols))):
raise ShapeError
# 使用x，y指针取出value中的值赋给矩阵
x = -1
for row in range(*rows):
x += 1
y = -1
for col in range(*cols):
y += 1
index = row * self.shape[1] + col
self.array[index] = value[x, y]
else:
for row in range(*rows):
for col in range(*cols):
index = row * self.shape[1] + col
self.array[index] = value若传入的value是一个数，这里的逻辑基本与__getitem__相同，实现了广播。
而若传入的是一个矩阵，则需要判断形状，对对应的元素进行赋值，这是为了方便LU分解。
reshape
reshape用于改变形状，对于上面的实现方法，只需要改变matrix.shape就可以了
注意改变前后的总元素数应当一致
def reshape(self, shape: 'a tuple of shape'):
if self.shape[0] * self.shape[1] != shape[0] * shape[1]:
raise ShapeError
self.shape = shaperepr
实现__repr__方法，较为美观的打印矩阵
def __repr__(self):
shape = self.shape
_array = self.array
return "[" + ",\n".join(str(list(_array[i * shape[1]:(i + 1) * shape[1]])) for i in range(shape[0])) + "]"add 与 mul
对于加法与乘法的支持，这里的乘法是元素的乘法，不是矩阵的乘法
同样的，实现广播
def __add__(self, other):
shape = self.shape
res = zeros(shape) # 创建一个新的零矩阵，用于返回
if isinstance(other, Matrix):
# 实现同样形状的矩阵元素之间的加法
if self.shape != other.shape:
# 如果矩阵的形状对不上，就返回错误
raise ShapeError
for i in range(shape[0]):
for j in range(shape[1]):
res[i, j] = self[i, j] + other[i, j]
else:
# 实现广播
for i in range(shape[0]):
for j in range(shape[1]):
res[i, j] = self[i, j] + other
return res
def __mul__(self, other):
shape = self.shape
res = zeros(shape) # 创建一个新的零矩阵，用于返回
if isinstance(other, Matrix):
# 实现同样形状的矩阵元素之间的乘法
if self.shape != other.shape:
# 如果矩阵的形状对不上，就返回错误
raise ShapeError
for i in range(shape[0]):
for j in range(shape[1]):
res[i, j] = self[i, j] * other[i, j]
else:
# 实现广播
for i in range(shape[0]):
for j in range(shape[1]):
res[i, j] = self[i, j] * other
return resmatmul
matmul矩阵乘法，运算符为@
def __matmul__(self, other):
# 实现矩阵的乘法
if self.shape[1] != other.shape[0]:
# 对形状进行判断
raise ShapeError
if self.shape[0] == 1 and other.shape[1] == 1:
# 行向量与列向量的乘积，就是它们的数量积
length = self.shape[1]
return sum(self[0, i] * self[i, 0] for i in range(length))
res = []
shape = (self.shape[0], other.shape[1])
for i in range(shape[0]):
for j in range(shape[1]):
# 将两个矩阵分别按行向量与列向量分块，然后相乘
try:
# 由于切片返回的可能是数，而数不支持'@'运算符，所以使用异常处理语句
res.append(self[i, :] @ other[:, j])
except TypeError:
res.append(self[i, :] * other[:, j])
return Matrix(res, shape)将矩阵分成向量进行矩阵乘法
LU分解
用属性self._lu，构建一个新的矩阵，作为LU分解表。self._lu并不会在初始化时创建，而是在需要用到LU分解表时计算。
同时，我们维护一个self.changed属性，用来判断在需要用到LU分解表时是否需要重新进行LU分解
def __init__(self, matrix: 'a list of one dimension', shape: 'a tuple of shape' = None,
dtype: 'data type code' = "d"):
# matrix一个包含所有元素的列表，shape指定形状默认为列向量，dtype是数据类型
# 使用一个数组模拟矩阵，通过操作这个数组完成矩阵的运算
self.shape = (len(matrix), 1)
if shape:
self.shape = shape
self.array = array(dtype, matrix)
self._changed = True
self._primary = list(range(shape[0])) # 只进行行交换显然，当我们修改了矩阵的元素后就需要重新进行LU分解，重写 setitem ，在开始时修改self.changed属性
def __setitem__(self, key: 'a index or slice of two dimensions', value):
# 使用slice类的indices方法，实现二维切片的广播赋值
self._change = True
...在lu分解中需要选择主元，用属性self._primary储存当前矩阵的主元表，因此我们要重写 getitem 与 setitem
...
row = self._primary[row] # 通过主元表进行赋值，将行换为
index = row * self.shape[1] + col
...下面，我们来实现LU分解
def _primary_update(self, k):
# 选择绝对值最大的数作为主元
max_val = -777
max_index = 0
for i in range(k, self.shape[0]):
x = abs(self[i, k])
if x > max_val:
max_val = x
max_index = i
self._primary[k], self._primary[max_index] = self._primary[max_index], self._primary[k]
def _lu_factorization(self):
self._lu = Matrix(self.array, self.shape) # 新建一个矩阵储存LU分解表
rows, cols = self.shape
_lu = self._lu
step = min(rows, cols)
for k in range(step):
if _lu[k, k] == 0:
# 如果当前对角元素为0，就需要更换主元
_lu._primary_update(k)
if _lu[k, k] == 0:
# 如果更换主元之后仍然为0，就说明该列全为0,跳过
break
x = 1 / _lu[k, k]
_lu[k + 1:, k] *= x
for i in range(k + 1, rows):
for j in range(k + 1, cols):
_lu[i, j] = _lu[i, j] - _lu[i, k] * _lu[k, j]转置
用一个方法实现转置，而不是维护一个属性
def trans(self):
shape = self.shape[::-1]
res = zeros(shape) # 创建一个零矩阵用于返回
for i in range(shape[0]):
for j in range(shape[1]):
res[i, j] = self[j, i]
return res利用LU分解求行列式
原矩阵的行列式就是L与U的对角元素的乘积
def det(self):
if self.shape[0] != self.shape[1]:
raise ShapeError
if self._changed:
self._lu_factorization()
self._changed = False
res = 1
for i in range(self.shape[0]):
res *= self[i, i]
return res利用LU分解解线性方程组
利用LU分解可以快速地解出线性方程组
def linear_equation(self, y):
# 利用LU分解表解方程
if not self.det():
# 不考虑扁平化的情况，即使可能有解
raise DetError
lu = self._lu
length = self.shape[1]
z = [0]*length # 先解 L @ z = y
for i in range(length):
z_i = y[i, 0]
for j in range(i):
z_i -= z[j] * lu[i, j]
z[i] = z_i
x = [0]*length # 再解 U @ x = z
for i in range(length - 1, -1, -1):
x_i = z[i]
for j in range(length - 1, i, -1):
x_i -= x[j] * lu[i, j]
x[i] = x_i / lu[i, i]
return Matrix(x, (length, 1))到此这篇关于python实现矩阵的示例代码的文章就介绍到这了,更多相关python 矩阵内容请搜索aitechtogether.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持aitechtogether.com！
