จากเวกเตอร์สองเวกเตอร์ a =[a0, a1, ..., aM] และ b =[b0, b1, ..., bN] ผลคูณภายนอกคือ − [[a0*b0 a0*b1 ... a0*bN ] [a1*b0 . [ ... . [aM*b0 aM*bN ]] ในการรับผลิตภัณฑ์ Outer ของอาร์เรย์ด้วยเวกเตอร์ของตัวอักษร ให้ใช้เมธอด numpy.outer() ใน Python พารามิเตอร์ที่ 1 a คือเวกเตอร์อินพุตแรก อินพุตจะถูกทำให
ในการรับผลิตภัณฑ์ Outer ของอาร์เรย์และสเกลาร์ ให้ใช้เมธอด numpy.outer() ใน Python พารามิเตอร์ที่ 1 a เป็นเวกเตอร์อินพุตแรก อินพุตจะถูกทำให้แบนหากไม่ใช่ 1 มิติอยู่แล้ว พารามิเตอร์ที่ 2 b คือเวกเตอร์อินพุตที่สอง อินพุตจะถูกทำให้แบนหากไม่ใช่ 1 มิติอยู่แล้ว พารามิเตอร์ที่ 3 คือตำแหน่งที่เก็บผลลัพธ์ จาก
ในการรับผลิตภัณฑ์ Inner ของสองอาร์เรย์ ให้ใช้เมธอด numpy.inner() ใน Python ผลคูณภายในทั่วไปของเวกเตอร์สำหรับอาร์เรย์ 1-D ในมิติที่สูงกว่าเป็นผลรวมของแกนสุดท้าย พารามิเตอร์คือ 1 และ b เวกเตอร์สองตัว หาก a และ b ไม่ใช่สเกลาร์ มิติข้อมูลสุดท้ายจะต้องตรงกัน ขั้นตอน ขั้นแรก นำเข้าไลบรารีที่จำเป็น - impo
กำหนดเมตริกซ์สองตัว a และ b และอ็อบเจ็กต์ array_like ที่มีอ็อบเจ็กต์ array_like สองตัว (a_axes,b_axes) รวมผลคูณขององค์ประกอบ a และ b (ส่วนประกอบ) เหนือแกนที่ระบุโดย a_axes และ b_axes อาร์กิวเมนต์ที่สามสามารถเป็นสเกลาร์ integer_like ที่ไม่ใช่ค่าลบเดียว N; ถ้าเป็นเช่นนั้น มิติ N สุดท้ายของ a และ N แรก
กำหนดเมตริกซ์สองตัว a และ b และอ็อบเจ็กต์ array_like ที่มีอ็อบเจ็กต์ array_like สองตัว (a_axes,b_axes) รวมผลคูณขององค์ประกอบ a และ b (ส่วนประกอบ) เหนือแกนที่ระบุโดย a_axes และ b_axes อาร์กิวเมนต์ที่สามสามารถเป็นสเกลาร์ integer_like ที่ไม่ใช่ค่าลบเดียว N; หากเป็นเช่นนั้น มิติ N สุดท้ายของ a และมิติ N
ในการส่งคืนผลิตภัณฑ์สะสมขององค์ประกอบอาร์เรย์บนแกนที่กำหนดโดยถือว่า NaN เป็นหนึ่งเดียว ให้ใช้เมธอด thenancumprod() ผลิตภัณฑ์สะสมจะไม่เปลี่ยนแปลงเมื่อพบ NaN และ NaN ชั้นนำจะถูกแทนที่ด้วยผลิตภัณฑ์ รายการจะถูกส่งคืนสำหรับชิ้นส่วนที่เป็น NaN ทั้งหมดหรือว่างเปล่า ธีมจะส่งกลับอาร์เรย์ใหม่ที่ถือผลลัพธ์ไว้
ในการส่งคืนผลิตภัณฑ์สะสมขององค์ประกอบอาร์เรย์บนแกนที่กำหนดโดยถือว่า NaN เป็นหนึ่งเดียว ให้ใช้วิธี nancumprod() ผลิตภัณฑ์สะสมจะไม่เปลี่ยนแปลงเมื่อพบ NaN และแทนที่ด้วย NaN ชั้นนำ ชิ้นจะถูกส่งคืนสำหรับชิ้นส่วนที่เป็น NaN ทั้งหมดหรือว่างเปล่า เมธอดส่งคืนอาร์เรย์ใหม่ที่ถือผลลัพธ์ไว้ เว้นแต่จะระบุ out ซึ
ในการส่งคืนอันดับเมทริกซ์ของอาร์เรย์โดยใช้วิธีการแยกค่าเอกพจน์ ให้ใช้วิธี thenumpy.linalg.matrix_rank() ใน Python อันดับของอาร์เรย์คือจำนวนค่าเอกพจน์ของอาร์เรย์ที่มากกว่าค่า tol พารามิเตอร์ที่ 1 A คือเวกเตอร์อินพุตหรือสแต็กของเมทริกซ์ พารามิเตอร์ตัวที่ 2 tol คือเกณฑ์ด้านล่าง ซึ่งค่า SVD ถือเป็นศูนย
กำหนดเมตริกซ์สองตัว a และ b และอ็อบเจ็กต์ array_like ที่มีอ็อบเจ็กต์ array_like สองตัว (a_axes,b_axes) รวมผลคูณขององค์ประกอบ a และ b (ส่วนประกอบ) เหนือแกนที่ระบุโดย a_axes และ b_axes อาร์กิวเมนต์ที่สามสามารถเป็นสเกลาร์ integer_like ที่ไม่ใช่ค่าลบเดียว N; หากเป็นเช่นนั้น มิติ N สุดท้ายของ a และมิติ N
กำหนดเมตริกซ์สองตัว a และ b และอ็อบเจ็กต์ array_like ที่มีอ็อบเจ็กต์ array_like สองตัว (a_axes,b_axes) รวมผลคูณขององค์ประกอบ a และ b (ส่วนประกอบ) เหนือแกนที่ระบุโดย a_axes และ b_axes อาร์กิวเมนต์ที่สามสามารถเป็นสเกลาร์ integer_like ที่ไม่ใช่ค่าลบเดียว N; ถ้าเป็นเช่นนั้น มิติ N สุดท้ายของ a และ N แรก
กำหนดเมตริกซ์สองตัว a และ b และอ็อบเจ็กต์ array_like ที่มีอ็อบเจ็กต์ array_like สองตัว (a_axes,b_axes) รวมผลคูณขององค์ประกอบ a และ b (ส่วนประกอบ) เหนือแกนที่ระบุโดย a_axes และ b_axes อาร์กิวเมนต์ที่สามสามารถเป็นสเกลาร์ integer_like ที่ไม่ใช่ค่าลบเดียว N; ถ้าเป็นเช่นนั้น มิติ N สุดท้ายของ a และ N แรก
ในการคำนวณผลคูณภายในของเวกเตอร์ด้วยหลักการบวกของ Einstein ให้ใช้เมธอด numpy.einsum() ใน Python พารามิเตอร์ที่ 1 คือตัวห้อย ระบุรายการย่อยสำหรับการรวม ascomma แยกรายการป้ายห้อย พารามิเตอร์ที่ 2 คือตัวถูกดำเนินการ นี่คืออาร์เรย์สำหรับการดำเนินการ einsum() วิธีการประเมินแบบแผนการบวกของ Einstein บนตัวถ
สำหรับการคูณ Matrix Vector ด้วยหลักการบวกของ Einstein ให้ใช้เมธอด numpy.einsum() ใน Python พารามิเตอร์ที่ 1 คือตัวห้อย ระบุรายการย่อยสำหรับการรวม ascomma แยกรายการป้ายห้อย พารามิเตอร์ที่ 2 คือตัวถูกดำเนินการ นี่คืออาร์เรย์สำหรับการดำเนินการ einsum() วิธีการประเมินแบบแผนการบวกของ Einstein บนตัวถูกดำ
ในการคูณสเกลาร์ด้วยหลักการบวกของ Einstein ให้ใช้เมธอด numpy.einsum() ใน Python พารามิเตอร์ที่ 1 คือตัวห้อย ระบุรายการย่อยสำหรับการรวม ascomma แยกรายการป้ายห้อย พารามิเตอร์ที่ 2 คือตัวถูกดำเนินการ นี่คืออาร์เรย์สำหรับการดำเนินการ einsum() วิธีการประเมินแบบแผนการบวกของ Einstein บนตัวถูกดำเนินการ ด้วย
ในการคำนวณผลคูณภายนอกของเวกเตอร์ด้วยหลักการบวกของ Einstein ให้ใช้เมธอด numpy.einsum() ใน Python พารามิเตอร์ที่ 1 คือตัวห้อย ระบุรายการย่อยสำหรับการรวม ascomma แยกรายการป้ายห้อย พารามิเตอร์ที่ 2 คือตัวถูกดำเนินการ นี่คืออาร์เรย์สำหรับการดำเนินการ einsum() วิธีการประเมินแบบแผนการบวกของ Einstein บนตัว
สำหรับการย่อตัวเทนเซอร์ด้วยหลักการบวกของ Einstein ให้ใช้เมธอด numpy.einsum() ในPython พารามิเตอร์ที่ 1 คือตัวห้อย ระบุตัวห้อยสำหรับผลรวมเป็นรายการป้ายชื่อตัวห้อยที่คั่นด้วยเครื่องหมายจุลภาค พารามิเตอร์ที่ 2 คือตัวถูกดำเนินการ นี่คืออาร์เรย์สำหรับการดำเนินการ einsum() วิธีการประเมินแบบแผนการบวกของ E
ในการรับคำสั่งการย่อราคาต่ำสุดสำหรับนิพจน์ einsum ให้ใช้เมธอด numpy.einsum+path() ใน Python พารามิเตอร์ตัวที่ 1 ตัวห้อยระบุตัวห้อยสำหรับการบวก พารามิเตอร์ที่ 2 ตัวถูกดำเนินการคืออาร์เรย์สำหรับการดำเนินการ การใช้แบบแผนการบวกของไอน์สไตน์ ทำให้การดำเนินการอาร์เรย์เกี่ยวกับพีชคณิตเชิงเส้นหลายมิติทั่วไป
ในการยกเมทริกซ์กำลังสองยกกำลัง n ในพีชคณิตเชิงเส้น ให้ใช้ numpy.linalg.matrix_power() inPython สำหรับจำนวนเต็มบวก n กำลังจะถูกคำนวณโดยการยกกำลังสองเมทริกซ์และการคูณเมทริกซ์ซ้ำ ถ้า n ==0 เมทริกซ์เอกลักษณ์ของรูปร่างเดียวกันกับ M จะถูกส่งคืน ถ้า n <0 การผกผันคำนวณแล้วยกขึ้นเป็น abs(n) ค่าส่งกลับมีรูปร
ในการรับผลิตภัณฑ์ Kronecker ของสองอาร์เรย์ ให้ใช้เมธอด numpy.kron() ใน Python Numpy.Compute ผลิตภัณฑ์ Kronecker ซึ่งเป็นอาร์เรย์คอมโพสิตที่สร้างจากบล็อกของอาร์เรย์ที่สองที่ปรับขนาดตามตัวแรก ฟังก์ชันจะถือว่าจำนวนมิติของ a และ b เท่ากัน หากจำเป็น ให้นำหน้าส่วนที่เล็กที่สุดไว้ข้างหน้า ถ้า a.shape =(r0
หากต้องการคืนค่านอร์มของเมทริกซ์หรือเวกเตอร์ในพีชคณิตเชิงเส้น ให้ใช้เมธอด LA.norm() ใน PythonNumpy พารามิเตอร์ที่ 1 x คืออาร์เรย์อินพุต ถ้าแกนคือ None x ต้องเป็น 1-D หรือ 2-D เว้นแต่ ord isNone ถ้าทั้ง axis และ ord เป็น None ค่า 2 norm ของ x.ravel จะถูกส่งกลับ พารามิเตอร์ตัวที่ 2 หรือลำดับของบรรทัดฐ
