接受的智慧是scipy.linalg
优于numpy.linalg
功能。对于线性代数,理想情况下(并且方便地)我想结合numpy.array
和scipy.linalg
的功能,而不是期待numpy.linalg
。这并不总是可行的,可能会变得太令人沮丧。
是否有来自这两个模块的等效函数的比较清单,以便在numpy.linalg
中没有函数的情况下快速确定何时使用scipy.linalg
?
e.g。有scipy.linalg.norm()
和numpy.linalg.norm()
,但似乎没有numpy.linalg.matrix_rank()
和numpy.linalg.cond()
的scipy等价物。
答案 0 :(得分:8)
因此,正常规则是仅使用scipy.linalg
,因为它通常支持所有numpy.linalg
功能等。 documentation说明了这一点:
另见
numpy.linalg
获取更多线性代数函数。请注意,虽然scipy.linalg
导入了大部分内容,但scipy.linalg
中具有相同名称的功能可能会提供更多或略有不同的功能。
但是,matrix_rank()
仅适用于NumPy。
在这里,我们可以看到两个库提供的功能之间的差异,以及SciPy如何更完整:
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]:
请注意,并非所有这些都是功能。
SciPy确实提供了scipy.linalg.expm_cond()
,但这只返回Frobenius规范中的条件,而numpy.linalg.cond()
支持多个规范。