Numpy Rank
Podemos dizer que a linha ou a coluna são linearmente independentes quando a linha ou coluna não pode ser obtida usando a combinação linear deles.
eu.e. [1, 2, 3], [2, 4, 6]Na matriz dada, podemos ver que a segunda linha é o múltiplo da primeira linha por 2. Mas a primeira fila não é o múltiplo de qualquer outra linha na matriz, o que significa que a classificação da matriz da linha é "1".
Sintaxe:
Numpy.Linalg.Matrix_rank (Matrix, Tol)O linald.A função matrix_rank () retorna a classificação da matriz usando o procedimento SVD e é calculada por valores singulares maiores que o TOL. Para o método de classificação, passamos dois parâmetros - o primeiro é a matriz dada da qual temos que encontrar a classificação e o segundo parâmetro é Tol.
Para mim: É o limite abaixo em que os valores de SVD são assumidos como nulos. Não é obrigatório adicionar.
Exemplo 1: Linalg.Função matrix_rank () em matriz unidimensional
Neste exemplo, encontramos a classificação da matriz unidimensional. Vamos prosseguir para o nosso primeiro passo em que importamos nossa biblioteca Numpy como NP. Importar é a palavra -chave Python para incluir os pacotes que são fornecidos pelo Python. Importar numpy significa que estamos importando os pacotes de numpy. Em seguida, criamos uma variável "ARR1", responsável por manter a matriz que criamos usando o NP.Método Array () que nos permite criar qualquer tipo de matriz, seja uma matriz única ou n-dimensional. A matriz que criamos detém os valores "5", "4" ", 0", "1", "3" e "2".
Na próxima linha, usamos a declaração de impressão para exibir a matriz inicializada. Depois disso, passamos pelo NP.Linalg.função matrix_rank () que contém dois parâmetros. O primeiro é a matriz dada e a segunda é a TOL, a função que permite ao compilador calcular a classificação da matriz usando o método SVD.
Vamos agora analisar o que aconteceria se gerarmos uma matriz tendo valores nulos. Para executar isso, criamos uma variável chamada "ARR2" para a qual atribuímos o NP.Função da matriz onde passamos outra função que é “np.zero "com o parâmetro" 2 ". O np.A função zero é usada para passar os valores zero ou nulos para a matriz. Isso significa que a matriz é responsável por manter os valores "0" e os valores que são passados para NP.zero () é o tamanho da matriz. Nesse caso, é "2".
Na próxima linha, usamos a declaração de impressão para exibir a matriz que inicializamos com os valores nulos. Em seguida, aplique o método de classificação () na matriz para verificar a classificação dessa matriz.
importar numpy como nparr1 = np.Array ([5, 4, 0, 1, 3, 2])
print ("A matriz é:", arr1)
Print ("Matrix Rank of the 1st Array é:", NP.Linalg.matrix_rank (arr1, 0))
arr2 = np.Array (NP.zeros (2))
print ("A matriz é:", arr2)
Print ("Matrix Rank of the 2nd Array é:", NP.Linalg.matrix_rank (arr2, 0))
Conforme mostrado na captura de tela a seguir, a saída do código anterior é exibida na qual a primeira matriz é a matriz unidimensional do tamanho "6". Na próxima linha, o valor "1" é exibido, o que significa que a classificação da matriz é "1".
Na saída a seguir, podemos ver que temos uma variedade de tamanho dois que contém valores nulos. Na próxima linha, exibimos a classificação calculada da matriz que é zero. Isso significa que ambas as colunas dependem uma da outra.
Exemplo 2: Linalg.Função matrix_rank () em matriz bidimensional
Nesse caso, realizamos o cálculo de classificação na matriz bidimensional. Depois de incluir a biblioteca Numpy, criamos uma variável que segura a matriz. Neste exemplo, usamos o Numpy.Método Matrix () para criar uma matriz. O np.O método Matrix () nos permite criar qualquer tipo de matriz para uma matriz n-dimensional. Neste exemplo, criamos uma matriz bidimensional com os valores “8”, “1”, “7”, “5”, “2” e “6”. Em seguida, exibimos nossa matriz original usando a declaração de impressão. Na próxima linha de código, declaramos o nome da variável "classificação", que contém o valor de retorno do método de classificação () da matriz especificada. No final do código, simplesmente exibimos a classificação do código.
importar numpyArray = Numpy.Matrix ([[8,1,7], [5,2,6]]))
print ("Matrix original é:", Array)
rank = numpy.Linalg.matrix_rank (matriz)
Print ("Rank of a Matrix é:", classificação)
Movendo -se em direção à nossa saída do código que é dado a seguir, podemos identificar a matriz que é uma matriz 3 × 2. Na próxima execução, a classificação da matriz é exibida que é "2".
Exemplo 3: Linalg.Função matrix_rank () em matriz tridimensional
Neste exemplo, executamos o método de classificação na matriz tridimensional. Para executar isso, primeiro incluímos nossos pacotes Numpy fornecidos pela Python como NP. E então, criamos uma variedade de tamanho 3 × 3 com os valores “8”, “1”, “7”, “4”, “3”, “9”, “5”, “2” e “6 ”. Depois disso, passamos a matriz inicializada para a declaração de impressão. Depois de exibir a matriz inicial, declaramos uma nova variável que armazena o valor de retorno da função de classificação (). Por fim, imprimimos a função Rank () retornou o valor usando a variável "classificação", passando -a para a função de impressão.
importar numpyArray = Numpy.matriz ([[8,1,7], [4,3,9], [5,2,6]])
print ("Matrix original é:", Array)
rank = numpy.Linalg.matrix_rank (matriz)
Print ("Rank of a Matrix é:", classificação)
A ilustração a seguir mostra a matriz tridimensional que inicializamos. O resultado da função de classificação () que obtemos é "3".
Conclusão
Este manual forneceu uma informação sobre o Numpy.Linalg.matrix_rank (), que é a função da biblioteca Numpy de Python. Explicamos qual é o objetivo da função de classificação. Também realizamos alguns exemplos para fazer você entender a ideia mais completa. É mais eficiente de usar quando calculamos a classificação da matriz, maior que 5 × 5. Manualmente, podemos calcular a classificação facilmente, mas quando o tamanho da matriz é aumentado até certo ponto, fica difícil calculá -la manualmente.