scipy.sparse.linalg.
norm#
- scipy.sparse.linalg.norm(x, ord=None, axis=None)[source]#
稀疏矩阵的范数
此函数能够根据
ord
参数的值返回七种不同的矩阵范数之一。- 参数:
- x一个稀疏数组
输入稀疏数组。
- ord{非零 int, inf, -inf, ‘fro’}, 可选
范数的阶数(参见
Notes
下的表格)。inf 表示 numpy 的 inf 对象。- axis{int, 2-tuple of ints, None}, 可选
如果 axis 是一个整数,则指定要计算向量范数的 x 的轴。 如果 axis 是一个 2 元组,则指定保存 2-D 矩阵的轴,并计算这些矩阵的矩阵范数。 如果 axis 是 None,则返回向量范数(当 x 是 1-D 时)或矩阵范数(当 x 是 2-D 时)。
- 返回值:
- nfloat 或 ndarray
备注
某些 ord 未实现,因为某些关联函数(例如 _multi_svd_norm)对于稀疏数组尚不可用。
此文档字符串基于 numpy.linalg.norm 修改。 numpy/numpy
可以计算以下范数
ord
稀疏数组的范数
None
Frobenius 范数
‘fro’
Frobenius 范数
inf
max(sum(abs(x), axis=1))
-inf
min(sum(abs(x), axis=1))
0
abs(x).sum(axis=axis)
1
max(sum(abs(x), axis=0))
-1
min(sum(abs(x), axis=0))
2
谱范数(最大奇异值)
-2
未实现
其他
未实现
Frobenius 范数由 [1] 给出
\(||A||_F = [\sum_{i,j} abs(a_{i,j})^2]^{1/2}\)
参考文献
[1]G. H. Golub 和 C. F. Van Loan, Matrix Computations, Baltimore, MD, Johns Hopkins University Press, 1985, pg. 15
示例
>>> from scipy.sparse import csr_array, diags_array >>> import numpy as np >>> from scipy.sparse.linalg import norm >>> a = np.arange(9) - 4 >>> a array([-4, -3, -2, -1, 0, 1, 2, 3, 4]) >>> b = a.reshape((3, 3)) >>> b array([[-4, -3, -2], [-1, 0, 1], [ 2, 3, 4]])
>>> b = csr_array(b) >>> norm(b) 7.745966692414834 >>> norm(b, 'fro') 7.745966692414834 >>> norm(b, np.inf) 9 >>> norm(b, -np.inf) 2 >>> norm(b, 1) 7 >>> norm(b, -1) 6
矩阵 2 范数或谱范数是最大奇异值,它是在近似和有限制的情况下计算的。
>>> b = diags_array([-1, 1], offsets=[0, 1], shape=(9, 10)) >>> norm(b, 2) 1.9753...