问题描述
>>> import numpy as np
>>> a = np.array([[3,7,6],[7,2,5],[6,5,1]])
>>> a
array([[3,1]])
我想对这个矩阵进行归一化,使所有对角元素为0,如下所示:
array([[0,x1,x2],[x1,x3],[x2,x3,0]])
我该如何做(如果可能,在Python中)? 任何帮助将不胜感激,谢谢。
解决方法
如果要将所有对角元素设为0,只需使用简单的 for循环。
for i in range(len(matrix)):
matrix[i][i] = 0
,
您可以使用以下命令:np.fill_diagonal(a,0)
(https://numpy.org/doc/stable/reference/generated/numpy.fill_diagonal.html)
在您澄清之后:如果我很了解您想做什么,那么您可以区分两种情况。
- 可逆 ==>使用
X = np.linalg.solve(a,A)
- 不是不可可逆的 ==>在这种情况下,可能没有解决方案,也可能有很多解决方案。
例如,如果a不可逆而A是可逆的,那么就没有无解(否则X * A ^ -1会为a提供逆)。通常,解决方案存在的必要条件是rk(A)
在另一种情况下,有无限多种解决方案
a = array([[0,0],[0,2,1]])
A = array([[0.,0.,0.],[0.,1.],1.,0.]])
因为
array([[0.,0. ],array([[1.,X = [0.,0.5],+ lbda * [0.,0. ]]) [0.,0.]])
为每个lbda的实际值求解np.dot(a,X) = A
。
如果您是第二种情况(无限多的解决方案),则可以使用
X = np.linalg.lstsq(a,A)[0]
即使在a不可逆的情况下也提供了解决方案(如果a是不可逆的,则返回与np.linalg.solve相同的结果)。
如果不存在解决方案,此命令将返回一个矩阵,使np.dot(a,X)与A尽可能“接近”。您可以通过添加诸如assert np.max(np.abs(np.dot(a,X) - A)) < 1E-5
之类的最终检查来实现。