我宣布一个矩阵如下,为什么矩阵的ndim值与matrix_rank不同?
vector1 = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 0)]);
np.ndim(vector1)
显示2和matrix_rank(vector1)
显示3
为什么他们有什么不同?
我宣布一个矩阵如下,为什么矩阵的ndim值与matrix_rank不同?
vector1 = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 0)]);
np.ndim(vector1)
显示2和matrix_rank(vector1)
显示3
为什么他们有什么不同?
np.ndim
指矩阵的维数,所以用长度为N的矢量具有尺寸1,一个NxN矩阵的维数2,NxNxN“多维矩阵”具有尺寸3.
matrix_rank
涉及数学秩,即从矩阵跨度空间生成所需的向量的数量。
“R^2中的矩阵”是什么意思? – 2015-04-06 19:14:31
@MarkDickinson我写的是错误的。我正在引用(想引用)常用的矩阵,常常用'M(R)_(n,n)'或类似的符号表示。我的新配方是否更清晰(正确)?编辑:嗯,我想技术上'M(R^2)_(n,n)'是由成对的数字组成的矩阵的明确空间,但在这种情况下会产生误导。 – syntonym 2015-04-06 19:43:32
你混淆了矩阵的两个不同的性质。 维度和等级。
尺寸等于指数的数量。 例如一个标量具有维数0,一个向量具有维度1,一个共同的二维矩阵(与您给出的矩阵相同)具有维度2.
矩阵的秩等于独立列的数量。 在你给出的例子中,等级是3,因为没有一列可以写成其他两列的线性组合。
维数与排名无关。不是每个二维矩阵的秩为2. – cel 2015-04-06 12:08:21