numpy.linalg.qr

numpy.linalg.qr(a, mode='reduced') [source]

Вычисление QR-разложения матрицы.

Разложить матрицу a в виде qr, где q является ортонормированной, а r — верхнетреугольной.

Параметры:	a : array_like, shape (M, N) Матрица, подлежащая разложению. mode : {‘reduced’, ‘complete’, ‘r’, ‘raw’, ‘full’, ‘economic’}, optional Если K = min(M, N), то ‘reduced’ : возвращает q, r с размерами (M, K), (K, N) (по умолчанию) ‘complete’ : возвращает q, r с размерами (M, M), (M, N) ‘r’ : возвращает только r с размерами (K, N) ‘raw’ : возвращает h, tau с размерами (N, M), (K,) ‘full’ : псевдоним ‘reduced’, устарело ‘economic’ : возвращает h из ‘raw’, устарело. Опции ‘reduced’, ‘complete’ и ‘raw’ доступны с NumPy 1.8, см. примечания для получения дополнительной информации. По умолчанию используется ‘reduced’, и для сохранения обратной совместимости с предыдущими версиями NumPy можно опустить её или использовать старый вариант по умолчанию ‘full’. Обратите внимание, что массив h, возвращаемый в режиме ‘raw’, транспонирован для вызова Fortran. Режим ‘economic’ устарел. Режимы ‘full’ и ‘economic’ могут передаваться только первой буквой для обеспечения обратной совместимости, но все остальные должны быть написаны полностью. См. Примечания для получения более подробного объяснения.
Возвращает:	q : ndarray of float or complex, optional Матрица с ортонормированными столбцами. При режиме ‘complete’ результат — ортогональная/унитарная матрица в зависимости от того, является ли a вещественной/комплексной. В этом случае определитель может быть равен +/- 1. r : ndarray of float or complex, optional Верхнетреугольная матрица. (h, tau) : ndarrays of np.double or np.cdouble, optional Массив h содержит отражатели Хаусхолдера, которые генерируют q вместе с r. Массив tau содержит масштабирующие множители для отражателей. В устаревшем режиме ‘economic’ возвращается только h.
Возможные исключения:	LinAlgError Если разложение невозможно.

Примечания

Это интерфейс к LAPACK-функциям dgeqrf, zgeqrf, dorgqr, и zungqr.

Дополнительную информацию о QR-разложении можно найти, например, на странице: https://en.wikipedia.org/wiki/QR_factorization

Подклассы ndarray сохраняются, за исключением режима ‘raw’. Таким образом, если a — типа matrix, все возвращаемые значения также будут матрицами.

Новые варианты ‘reduced’, ‘complete’ и ‘raw’ для режима были добавлены в NumPy 1.8.0, а старый вариант ‘full’ стал псевдонимом для ‘reduced’. Кроме того, варианты ‘full’ и ‘economic’ были устарели. Поскольку ‘full’ был предыдущим значением по умолчанию, а ‘reduced’ — новым, обратная совместимость может быть сохранена, если mode использовать по умолчанию. Вариант ‘raw’ был добавлен для использования LAPACK-функций, которые могут умножать массивы на q с помощью отражателей Хаусхолдера. Обратите внимание, что в этом случае возвращаемые массивы имеют тип np.double или np.cdouble, а массив h транспонирован для совместимости с Fortran. В настоящее время NumPy не предоставляет функций, использующих возвращаемое значение ‘raw’, но некоторые из них доступны в lapack_lite и ждут необходимой работы.

Примеры

>>> a = np.random.randn(9, 6)
>>> q, r = np.linalg.qr(a)
>>> np.allclose(a, np.dot(q, r))  # a does equal qr
True
>>> r2 = np.linalg.qr(a, mode='r')
>>> r3 = np.linalg.qr(a, mode='economic')
>>> np.allclose(r, r2)  # mode='r' returns the same r as mode='full'
True
>>> # But only triu parts are guaranteed equal when mode='economic'
>>> np.allclose(r, np.triu(r3[:6,:6], k=0))
True

Пример, демонстрирующий распространенное применение qr: решение задач наименьших квадратов

Какие наименьшие-квадратичные-лучшие m и y0 в y = y0 + mx для следующих данных: {(0,1), (1,0), (1,2), (2,1)}. (Нарисуйте точки, и вы увидите, что должно быть y0 = 0, m = 1.) Ответ получен путем решения переопределенного матричного уравнения Ax = b, где:

A = array([[0, 1], [1, 1], [1, 1], [2, 1]])
x = array([[y0], [m]])
b = array([[1], [0], [2], [1]])

Если A = qr, где q ортонормирован (что всегда возможно через метод Грама-Шмидта), то x = inv(r) * (q.T) * b. (Однако на практике в NumPy мы просто используем lstsq.)

>>> A = np.array([[0, 1], [1, 1], [1, 1], [2, 1]])
>>> A
array([[0, 1],
       [1, 1],
       [1, 1],
       [2, 1]])
>>> b = np.array([1, 0, 2, 1])
>>> q, r = np.linalg.qr(A)
>>> p = np.dot(q.T, b)
>>> np.dot(np.linalg.inv(r), p)
array([  1.1e-16,   1.0e+00])