3.9小节完成

cookbook/c03/p10_matrix_linear.py

@@ -0,0 +1,42 @@
+#!/usr/bin/env python
+# -*- encoding: utf-8 -*-
+"""
+Topic: 矩阵和线性代数
+Desc : 
+"""
+import numpy as np
+import numpy.linalg
+
+
+def matrix_linear():
+    m = np.matrix([[1,-2,3],[0,4,5],[7,8,-9]])
+    print(m)
+
+    # Return transpose  转置矩阵
+    print(m.T)
+
+    # Return inverse  # 逆矩阵
+    print(m.I)
+
+
+    # Create a vector and multiply
+    v = np.matrix([[2],[3],[4]])
+    print(v)
+    print(m * v)
+
+    # Determinant 行列式
+    print(numpy.linalg.det(m))
+
+    # Eigenvalues 特征值
+    print(numpy.linalg.eigvals(m))
+
+    # Solve for x in m*x = v
+    x = numpy.linalg.solve(m, v)
+    print(x)
+    print(m * x)
+    print(v)
+
+
+
+if __name__ == '__main__':
+    matrix_linear()

source/c03/p10_matrix_and_linear_algebra_calculation.rst

@@ -5,14 +5,85 @@
 ----------
 问题
 ----------
-todo...
+你需要执行矩阵和线性代数运算，比如矩阵乘法、寻找行列式、求解线性方程组等等。
+
+|
 
 ----------
 解决方案
 ----------
-todo...
+NumPy库有一个矩阵对象可以用来解决这个问题。
+矩阵类似于3.9小节中数组对象，但是遵循线性代数的计算规则。下面的一个例子展示了矩阵的一些基本特性：
+
+.. code-block:: python
+
+    >>> import numpy as np
+    >>> m = np.matrix([[1,-2,3],[0,4,5],[7,8,-9]])
+    >>> m
+    matrix([[ 1, -2, 3],
+            [ 0, 4, 5],
+            [ 7, 8, -9]])
+
+    >>> # Return transpose
+    >>> m.T
+    matrix([[ 1, 0, 7],
+            [-2, 4, 8],
+            [ 3, 5, -9]])
+
+    >>> # Return inverse
+    >>> m.I
+    matrix([[ 0.33043478, -0.02608696, 0.09565217],
+            [-0.15217391, 0.13043478, 0.02173913],
+            [ 0.12173913, 0.09565217, -0.0173913 ]])
+
+    >>> # Create a vector and multiply
+    >>> v = np.matrix([[2],[3],[4]])
+    >>> v
+    matrix([[2],
+            [3],
+            [4]])
+    >>> m * v
+    matrix([[ 8],
+            [32],
+            [ 2]])
+    >>>
+
+可以在numpy.linalg子包中找到更多的操作函数，比如：
+
+.. code-block:: python
+
+    >>> import numpy.linalg
+
+    >>> # Determinant
+    >>> numpy.linalg.det(m)
+    -229.99999999999983
+
+    >>> # Eigenvalues
+    >>> numpy.linalg.eigvals(m)
+    array([-13.11474312, 2.75956154, 6.35518158])
+
+    >>> # Solve for x in mx = v
+    >>> x = numpy.linalg.solve(m, v)
+    >>> x
+    matrix([[ 0.96521739],
+            [ 0.17391304],
+            [ 0.46086957]])
+    >>> m * x
+    matrix([[ 2.],
+            [ 3.],
+            [ 4.]])
+    >>> v
+    matrix([[2],
+            [3],
+            [4]])
+    >>>
+
+|
 
 ----------
 讨论
 ----------
-todo...
+很显然线性代数是个非常大的主题，已经超出了本书能讨论的范围。
+但是，如果你需要操作数组和向量的话，NumPy是一个不错的入口点。
+可以访问NumPy官网 http://www.numpy.org 获取更多信息。
+