เมธอด numpy.linalg.matrix_rank() คำนวณรังก์ของเมทริกซ์โดยใช้ Singular Value Decomposition (SVD) รังก์คือจำนวน singular values ที่มากกว่า threshold tol
พารามิเตอร์สำคัญ
- A: อินพุตเวกเตอร์หรือสแต็กเมทริกซ์
- tol (ไม่บังคับ): ค่าเกณฑ์ lower bound ของ SVD หาก None จะคำนวณจาก epsilon ของ dtype
- hermitian (ไม่บังคับ): ถ้า True จะถือว่า A เป็น Hermitian เพื่อประสิทธิภาพ
ขั้นตอนการใช้งาน
import numpy as np from numpy.linalg import matrix_rank
สร้างเมทริกซ์ identity 5x5 และตรวจสอบรังก์
arr = np.eye(5)
print("Our Array...\n", arr)
print("\nDimensions of our Array...\n", arr.ndim)
print("\nDatatype of our Array object...\n", arr.dtype)
print("\nShape of our Array object...\n", arr.shape)
print("\nRank...\n", matrix_rank(arr))
ทำให้เมทริกซ์ขาดรังก์ (rank-deficit) และตรวจสอบใหม่
arr[-1, -1] = 0.
print("\nUpdated Rank (Rank-Deficit Matrix)...\n", matrix_rank(arr))
โค้ดตัวอย่างสมบูรณ์
import numpy as np
from numpy.linalg import matrix_rank
arr = np.eye(5)
print("Our Array...\n", arr)
print("\nDimensions of our Array...\n", arr.ndim)
print("\nDatatype of our Array object...\n", arr.dtype)
print("\nShape of our Array object...\n", arr.shape)
print("\nRank...\n", matrix_rank(arr))
arr[-1, -1] = 0.
print("\nUpdated Rank (Rank-Deficit Matrix)...\n", matrix_rank(arr))
ผลลัพธ์ที่คาดหวัง
Our Array... [[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]] Dimensions of our Array... 2 Datatype of our Array object... float64 Shape of our Array object... (5, 5) Rank... 5 Updated Rank (Rank-Deficit Matrix)... 4
