Итак, нормальное правило заключается в том, чтобы просто использовать scipy.linalg
, поскольку он в целом поддерживает все функции numpy.linalg
и многое другое. documentation говорит, что это:
Смотрите также
numpy.linalg
для более линейных функций алгебры. Обратите внимание, что хотя scipy.linalg
импортирует большинство из них, идентично названные функции от scipy.linalg
могут предлагать больше или немного отличающиеся функциональные возможности.
Однако matrix_rank()
только в NumPy.
Здесь мы можем увидеть различие между функциями, предоставляемых оба библиотеками, и как SciPy более полное:
In [2]: from scipy import linalg as scipy_linalg
In [3]: from numpy import linalg as numpy_linalg
In [4]: dir(scipy_linalg)
Out[4]:
[
...
'absolute_import',
'basic',
'bench',
'blas',
'block_diag',
'cho_factor',
'cho_solve',
'cho_solve_banded',
'cholesky',
'cholesky_banded',
'circulant',
'companion',
'coshm',
'cosm',
'cython_blas',
'cython_lapack',
'decomp',
'decomp_cholesky',
'decomp_lu',
'decomp_qr',
'decomp_schur',
'decomp_svd',
'det',
'dft',
'diagsvd',
'division',
'eig',
'eig_banded',
'eigh',
'eigvals',
'eigvals_banded',
'eigvalsh',
'expm',
'expm2',
'expm3',
'expm_cond',
'expm_frechet',
'find_best_blas_type',
'flinalg',
'fractional_matrix_power',
'funm',
'get_blas_funcs',
'get_lapack_funcs',
'hadamard',
'hankel',
'helmert',
'hessenberg',
'hilbert',
'inv',
'invhilbert',
'invpascal',
'kron',
'lapack',
'leslie',
'linalg_version',
'logm',
'lstsq',
'lu',
'lu_factor',
'lu_solve',
'matfuncs',
'misc',
'norm',
'ordqz',
'orth',
'orthogonal_procrustes',
'pascal',
'pinv',
'pinv2',
'pinvh',
'polar',
'print_function',
'qr',
'qr_delete',
'qr_insert',
'qr_multiply',
'qr_update',
'qz',
'rq',
'rsf2csf',
's',
'schur',
'signm',
'sinhm',
'sinm',
'solve',
'solve_banded',
'solve_circulant',
'solve_continuous_are',
'solve_discrete_are',
'solve_discrete_lyapunov',
'solve_lyapunov',
'solve_sylvester',
'solve_toeplitz',
'solve_triangular',
'solveh_banded',
'special_matrices',
'sqrtm',
'svd',
'svdvals',
'tanhm',
'tanm',
'test',
'toeplitz',
'tri',
'tril',
'triu']
In [5]: dir(numpy_linalg)
Out[5]:
[
...
'absolute_import',
'bench',
'cholesky',
'cond',
'det',
'division',
'eig',
'eigh',
'eigvals',
'eigvalsh',
'info',
'inv',
'lapack_lite',
'linalg',
'lstsq',
'matrix_power',
'matrix_rank',
'multi_dot',
'norm',
'pinv',
'print_function',
'qr',
'slogdet',
'solve',
'svd',
'tensorinv',
'tensorsolve',
'test']
In [6]:
Обратите внимание, что не все эти функции.
SciPy дает scipy.linalg.expm_cond()
, но это возвращает условие только в норме Фробениуса, тогда как numpy.linalg.cond()
поддерживает несколько норм.