Scipy SVD
2016-06-04 09:30
453 查看
scipy.linalg.svd
原文链接:http://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.svd.htmlscipy.linalg.svd(a, full_matrices=True, compute_uv=True, overwrite_a=False, check_finite=True)[source] # 奇异值分解 # 将矩阵分解为两个酉矩阵和一个1维奇异值向量 # E.g. a == U*S*Vh # 参数选择: # a : (M, N) 待分解矩阵 # full_matrices : bool型变量, 为可选参数 if true 分解出的U Vh矩阵为方阵 if false 矩阵维度为 (M,K) 与 (K,N), K = min(M,N). # compute_uv : bool型变量, 为可选参数 在计算出s 同时是否也计算出U 和 Vh if false 只返回s # overwrite_a: bool型变量, 为可选参数 是否覆写矩阵a来提升性能 # check_finite: bool型变量, 为可选参数 是否检查输入矩阵只包含数值有限的数据 禁用会有性能提升 但是可能导致未知的错误 # 返回值: # U: 列为左奇异向量的矩阵 维度取决于full_matrices参数 (M,M) or (M,K) # Vh: 同理 (N,N) or (K,N) # S: 非升序 奇异值向量 K个元素 K = min(M, N). # ERROR: # SVD计算未收敛
Examples:
>>> from scipy import linalg >>> a = np.random.randn(9, 6) + 1.j*np.random.randn(9, 6) >>> U, s, Vh = linalg.svd(a) >>> U.shape, Vh.shape, s.shape ((9, 9), (6, 6), (6,))
>>> U, s, Vh = linalg.svd(a, full_matrices=False) >>> U.shape, Vh.shape, s.shape ((9, 6), (6, 6), (6,)) >>> S = linalg.diagsvd(s, 6, 6) >>> np.allclose(a, np.dot(U, np.dot(S, Vh))) True
>>> s2 = linalg.svd(a, compute_uv=False) >>> np.allclose(s, s2) True
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法