我在用NumPy
反转矩阵时遇到一个问题。奇怪的是,它只给出了直到18阶的正确结果。一旦阶数大于18,就会给出错误的结果。
import numpy as np
from decimal import Decimal
import numpy.matlib
I_1=np.matlib.eye(ngrid,ngrid,k=0,dtype=Decimal)
I_2=np.matlib.eye(ngrid,ngrid,k=1,dtype=Decimal)
I_3=np.matlib.eye(ngrid,ngrid,k=2,dtype=Decimal)
B=I_1 + 10.*I_2 + I_3
B=np.divide(B,12.)
B_inv=np.linalg.inv(B)
print B_inv
C=B.dot(B_inv)
print C
最后一行是为了检查它是否给出了正确的结果。
从技术上讲,您的代码没有任何问题。然而,在数值分析中,你会遇到一个非常基本的问题。这里有两种效果:
- 浮点错误
- 问题的条件号
我不会在这里解释它们,因为几乎任何关于数值分析的入门书(例如Kendall Atkinson(都比我在这里做得更好。我只给你留下这个代码片段:
import numpy as np
NGRID = 8
def HilbertMatrix(N, dtype=np.float64):
arr = np.zeros((N,N), dtype=dtype)
for i in range(N):
for j in range(N):
arr[i,j] = 1 / (i + j + 1)
return arr
H = HilbertMatrix(NGRID)
J = np.linalg.inv(H)
C = np.dot(H, J)
print(np.allclose(C, np.eye(NGRID)))
print(np.linalg.norm(C))
试着玩NGRID,看看C离身份矩阵有多远。
这是一个数值分析问题。
由于某种原因,您在numpy数组中保留了十进制对象,这将被转换为Object dtype。当你试图执行矩阵求逆时,矩阵会被转换为浮点(我猜精度很低(。
矩阵的条件数有助于我们理解反转矩阵的难度(有关更正式的定义,请参阅维基百科(。如果您使用np.linal.cond检查B(确保首先转换为numpy-dtype(,您将看到条件号大约为1e18(这是非常非常高的(。
如果你知道一些线性代数,你可以用另一种方法来思考它——矩阵的行列式可以让我们确定矩阵是否奇异。Det(B(=0表示矩阵是奇异的。在你的例子中,你创建了一个矩阵,计算行列式非常容易(上三角(。
矩阵是上三角的,行列式只是对角线的乘积,对角线是(1/12(**(n_grid(。这就是为什么随着ngrid的增长,矩阵几乎是奇异的,对于浮点精度(我猜在引擎盖下会转换为16(,矩阵本质上是奇异/不可逆的。
如果你修复了你的代码,我冒昧地做了这件事,那么隐含的np-dtype是float64,反转可以根据需要工作。
我随意修改了您的代码以使其正常工作(没有定义ngrid((将ngrid更改为19以进行检查(。
import numpy as np
ngrid = 19
I_1 = np.eye(ngrid, ngrid, k=0)
I_2 = np.eye(ngrid, ngrid, k=1)
I_3 = np.eye(ngrid, ngrid, k=2)
B = I_1 + 10.*I_2 + I_3
B = np.divide(B, 12.)
print(np.linalg.cond(B))
B_inv = np.linalg.inv(B)
C = B.dot(B_inv)
assert np.diag(C).sum() == ngrid