scipy.linalg.

qr#

scipy.linalg.qr(a, overwrite_a=False, lwork=None, mode='full', pivoting=False, check_finite=True)[source]#

计算矩阵的 QR 分解。

计算分解 A = Q R,其中 Q 是酉/正交矩阵,R 是上三角矩阵。

本文档假定数组参数具有指定的“核心”形状。但是,此函数的数组参数可能在核心形状之前附加额外的“批处理”维度。在这种情况下,该数组被视为低维切片的批处理;有关详细信息,请参阅 批处理线性操作

参数:
a(M, N) array_like

待分解的矩阵

overwrite_a布尔值, 可选

是否覆盖 a 中的数据(如果将 overwrite_a 设置为 True 以重用现有输入数据结构而不是创建新结构,可能会提高性能)。

lwork整型, 可选

工作数组大小,lwork >= a.shape[1]。如果为 None 或 -1,则计算最佳大小。

mode{‘full’, ‘r’, ‘economic’, ‘raw’}, 可选

确定要返回的信息:Q 和 R 都返回(‘full’,默认),只返回 R(‘r’),或者 Q 和 R 都返回但以经济尺寸计算(‘economic’,参见注释)。最后一个选项 ‘raw’(在 SciPy 0.11 中添加)使函数以 LAPACK 使用的内部格式返回两个矩阵 (Q, TAU)。

pivoting布尔值, 可选

分解是否应包含枢轴以进行秩揭示 QR 分解。如果进行枢轴,则计算分解 A[:, P] = Q @ R,如上所述,但选择 P 使得 R 的对角线是非递增的。等效地,尽管效率较低,但可以通过置换单位矩阵的行或列(取决于它在方程中的使用位置)来显式形成一个明确的 P 矩阵。参见示例。

check_finite布尔值, 可选

是否检查输入矩阵仅包含有限数。禁用此功能可能会提高性能,但如果输入包含无穷大或 NaN,可能会导致问题(崩溃、非终止)。

返回:
Q浮点型或复数 ndarray

形状为 (M, M),或在 mode='economic' 时为 (M, K)。如果 mode='r' 则不返回。如果 mode='raw' 则替换为元组 (Q, TAU)

R浮点型或复数 ndarray

形状为 (M, N),或在 mode in ['economic', 'raw'] 时为 (K, N)。K = min(M, N)

P整型 ndarray

pivoting=True 时形状为 (N,)。当 pivoting=False 时不返回。

抛出:
LinAlgError

如果分解失败则抛出

注释

这是 LAPACK 例程 dgeqrf、zgeqrf、dorgqr、zungqr、dgeqp3 和 zgeqp3 的接口。

如果 mode=economic,Q 和 R 的形状分别为 (M, K) 和 (K, N),而不是 (M,M) 和 (M,N),其中 K=min(M,N)

示例

>>> import numpy as np
>>> from scipy import linalg
>>> rng = np.random.default_rng()
>>> a = rng.standard_normal((9, 6))
>>> q, r = linalg.qr(a)
>>> np.allclose(a, np.dot(q, r))
True
>>> q.shape, r.shape
((9, 9), (9, 6))
>>> r2 = linalg.qr(a, mode='r')
>>> np.allclose(r, r2)
True
>>> q3, r3 = linalg.qr(a, mode='economic')
>>> q3.shape, r3.shape
((9, 6), (6, 6))
>>> q4, r4, p4 = linalg.qr(a, pivoting=True)
>>> d = np.abs(np.diag(r4))
>>> np.all(d[1:] <= d[:-1])
True
>>> np.allclose(a[:, p4], np.dot(q4, r4))
True
>>> P = np.eye(p4.size)[p4]
>>> np.allclose(a, np.dot(q4, r4) @ P)
True
>>> np.allclose(a @ P.T, np.dot(q4, r4))
True
>>> q4.shape, r4.shape, p4.shape
((9, 9), (9, 6), (6,))
>>> q5, r5, p5 = linalg.qr(a, mode='economic', pivoting=True)
>>> q5.shape, r5.shape, p5.shape
((9, 6), (6, 6), (6,))
>>> P = np.eye(6)[:, p5]
>>> np.allclose(a @ P, np.dot(q5, r5))
True