Comme nous l’avons vu, NumPy dispose également d’un large éventail de fonctions pour l’algèbre linéaire.
Opérations matricielles complexes #
Nous avons déjà vu la création de vecteurs, de matrices et les étonnantes opérations matricielles que nous pouvons effectuer avec NumPy. Voici des opérations matricielles encore plus complexes.
- Inversion de matrice : Tu peux calculer l’inverse d’une matrice en utilisant la fonction
np.linalg.inv()de NumPy. - Valeurs propres et vecteurs propres : Tu peux calculer les valeurs propres et les vecteurs propres des matrices en utilisant la fonction
np.linalg.eig(). - Normes et distances des matrices : Calcule les normes des matrices (par exemple, la norme de Frobenius) à l’aide de
np.linalg.norm(). Tu peux également l’utiliser pour calculer les distances entre les vecteurs ou les matrices. - Rang de la matrice : Trouve le rang d’une matrice en utilisant np.linalg.matrix_rank().
Résoudre des équations linéaires #
Oui, tu peux même résoudre des équations linéaires avec les fonctionnalités de NumPy. Résoudre des systèmes d’équations linéaires en utilisant np.linalg.solve().
A = np.array([[2, 3], [4, 5]]) b = np.array([6, 7]) # Résoudre Ax = b pour x x = np.linalg.solve(A, b)
