要返回多项式系数的 1-D 数组的缩放伴随矩阵，请在 Python Numpy 中返回 hermite.hermcompanion() 方法。基多项式按比例缩放，以便当 c 是 Hermite 基多项式时，伴随矩阵是对称的。这提供了比未缩放情况更好的特征值估计，并且对于基多项式，如果使用 numpy.linalg.eigvalsh 获取特征值，则保证特征值为实数。该方法返回维度为 (deg, deg) 的缩放伴随矩阵。参数 c 是从低到高次序排列的 Hermite 级数系数的 1-D 数组。步骤首先，导入所需的库 -import ... 阅读更多

要生成 Hermite 多项式和 x、y、z 样本点的伪范德蒙德矩阵，请在 Python Numpy 中使用 hermite.hermvander3d()。该方法返回伪范德蒙德矩阵。参数 x、y、z 是点坐标数组，所有数组的形状相同。数据类型将转换为 float64 或 complex128，具体取决于任何元素是否为复数。标量转换为 1-D 数组。参数 deg 是表单 [x_deg, y_deg, z_deg] 中的最大次数列表。步骤首先，导入所需的库 -numpy as np from numpy.polynomial import hermite as H创建点数组 ... 阅读更多

梯度使用内部点的二阶精确中心差分以及边界处的一阶或二阶精确单侧（向前或向后）差分计算。因此，返回的梯度与输入数组具有相同的形状。第一个参数 f 是一个 N 维数组，包含标量函数的样本。第二个参数是 varargs，即 f 值之间的间距。所有维度的默认单位间距。第三个参数是 edge_order{1, 2}，即使用 N 阶精确差分在边界处计算梯度。默认值：1。第四个参数是梯度，... 阅读更多

要计算第 n 次离散差分，请使用 numpy.diff() 方法。第一个差分由 out[i] = a[i+1] - a[i] 给出，沿着给定的轴，更高的差分通过递归使用 diff 计算。第一个参数是输入数组。第二个参数是 n，即值差分的次数。如果为零，则按原样返回输入。第三个参数是取差分的轴，默认为最后一个轴。第四个参数是在执行差分之前，沿轴预先附加到输入数组或附加到输入数组的值。标量值 ... 阅读更多

要返回复数参数的实部，请使用 numpy.real() 方法。该方法返回复数参数的实部。如果 val 为实数，则使用 val 的类型作为输出。如果 val 具有复数元素，则返回类型为 float。第一个参数 val 是输入数组。我们还将使用 array.real 更改复数参数的实部。步骤首先，导入所需的库 -import numpy as np使用 array() 方法创建数组 -arr = np.array([36.+1.j , 27.+2.j , 68.+3.j , 23.+2.j])显示数组 -print("我们的数组...", arr)检查维度 -print("数组的维度...", arr.ndim)更改实部 -arr.real = [1, 2, 3, 4]打印新数组 -print("更新后的数组...", arr) ... 阅读更多

要计算线性代数中矩阵的条件数，请在 Python 中使用 numpy.linalg.cond() 方法。此方法能够根据 p 的值返回使用七种不同范数之一的条件数。返回矩阵的条件数。可能是无限的。x 的条件数定义为 x 的范数乘以 x 的逆的范数；范数可以是通常的 L2 范数或其他许多矩阵范数之一。第一个参数是 x，即需要求条件数的矩阵。第二个参数是 p，... 阅读更多

要返回线性代数中矩阵或向量的范数，请在 Python Numpy 中使用 LA.norm() 方法。第一个参数 x 是输入数组。如果 axis 为 None，则 x 必须为 1-D 或 2-D，除非 ord 为 None。如果 axis 和 ord 均为 None，则将返回 x.ravel 的 2 范数。第二个参数 ord 是范数的阶数。inf 表示 numpy 的 inf 对象。默认值为 None。第三个参数 axis，如果为整数，则指定沿其计算向量范数的 x 轴。如果 axis 是一个 2 元组，则它指定 ... 阅读更多

要计算复 Hermitian 或实对称矩阵的特征值，请使用 numpy.eigvalsh() 方法。该方法按升序返回特征值，每个特征值根据其重数重复。第一个参数 a 是要计算其特征值的复值或实值矩阵。第二个参数 UPLO 指定计算是使用 a 的下三角部分（'L'，默认值）还是上三角部分（'U'）完成的。无论此值如何，在计算中都只考虑对角线的实部，以保持 Hermitian 矩阵的概念。因此，可以得出结论，... 阅读更多

要返回 Cholesky 分解，请使用 numpy.linalg.cholesky() 方法。返回方阵 a 的 Cholesky 分解 L * L.H，其中 L 是下三角矩阵，.H 是共轭转置运算符。a 必须是 Hermitian 且正定的。不执行任何检查以验证 a 是否为 Hermitian。此外，仅使用 a 的下三角和对角元素。实际上只返回 L。然后参数 a 是 Hermitian（如果所有元素都是实数，则为对称），正定输入矩阵。该方法返回 a 的上或下三角 Cholesky 因子。如果 a 是 ... 阅读更多

要获取 4D 和 3D 维度数组的 Kronecker 积，请在 Python Numpy 中使用 numpy.kron() 方法。计算 Kronecker 积，由第二个数组的块组成的复合数组，由第一个数组缩放该函数假设 a 和 b 的维度数相同，如果需要，则在最小的数组前面加上 1。如果 a.shape = (r0, r1, .., rN) 且 b.shape = (s0, s1, ..., sN)，则 Kronecker 积的形状为 (r0*s0, r1*s1, ..., rN*SN)。元素是来自 a 和 b 的元素的乘积，由 -kron(a, b)[k0, k1, ..., kN] 明确组织 ... 阅读更多