## 問題 你需要執行矩陣和線性代數運算，比如矩陣乘法、尋找行列式、求解線性方程組等等。 ## 解決方案 NumPy庫有一個矩陣對象可以用來解決這個問題。矩陣類似于3.9小節中數組對象，但是遵循線性代數的計算規則。下面的一個例子展示了矩陣的一些基本特性： >>> import numpy as np >>> m = np.matrix([[1,-2,3],[0,4,5],[7,8,-9]]) >>> m matrix([[ 1, -2, 3], [ 0, 4, 5], [ 7, 8, -9]]) >>> # Return transpose >>> m.T matrix([[ 1, 0, 7], [-2, 4, 8], [ 3, 5, -9]]) >>> # Return inverse >>> m.I matrix([[ 0.33043478, -0.02608696, 0.09565217], [-0.15217391, 0.13043478, 0.02173913], [ 0.12173913, 0.09565217, -0.0173913 ]]) >>> # Create a vector and multiply >>> v = np.matrix([[2],[3],[4]]) >>> v matrix([[2], [3], [4]]) >>> m * v matrix([[ 8], [32], [ 2]]) >>> 可以在 `numpy.linalg` 子包中找到更多的操作函數，比如： >>> import numpy.linalg >>> # Determinant >>> numpy.linalg.det(m) -229.99999999999983 >>> # Eigenvalues >>> numpy.linalg.eigvals(m) array([-13.11474312, 2.75956154, 6.35518158]) >>> # Solve for x in mx = v >>> x = numpy.linalg.solve(m, v) >>> x matrix([[ 0.96521739], [ 0.17391304], [ 0.46086957]]) >>> m * x matrix([[ 2.], [ 3.], [ 4.]]) >>> v matrix([[2], [3], [4]]) >>> ## 討論 很顯然線性代數是個非常大的主題，已經超出了本書能討論的范圍。但是，如果你需要操作數組和向量的話，NumPy是一個不錯的入口點。可以訪問NumPy官網 [http://www.numpy.org](http://www.numpy.org) 獲取更多信息。