그래서, 일반 규칙은 일반적으로 numpy.linalg
의 모든 기능과 더불어 다양한 추가 기능을 지원하는 단지 scipy.linalg
을 사용하는 것입니다.
더 선형 대수 함수도
numpy.linalg
다음을 참조하십시오 documentation이 말한다. scipy.linalg
이 대부분을 가져 오기는하지만 scipy.linalg
에서 동일한 이름의 기능이 더 많거나 약간 다른 기능을 제공 할 수 있습니다.
그러나 matrix_rank()
은 NumPy에만 해당됩니다.
는 여기에서 우리는 두 라이브러리가 제공하는 기능의 차이점을 참조 할 수 있습니다 SciPy가 더 완전한 방법 :없는 이러한 모든 기능이다
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]:
참고.
SciPy는 scipy.linalg.expm_cond()
을 제공하지만 Frobenius 표준의 조건 만 반환하는 반면 numpy.linalg.cond()
은 여러 표준을 지원합니다.