Python SymPy 1.3简化符号矩阵计算
我有以下用于符号矩阵计算的代码Python SymPy 1.3简化符号矩阵计算,python,sympy,Python,Sympy,我有以下用于符号矩阵计算的代码 from sympy import * A = MatrixSymbol( 'A', 3, 3 ) B = MatrixSymbol( 'B', 3, 3 ) C = MatrixSymbol( 'C', 3, 3 ) Z = A * ( A + B ) * C.inverse() * ( A + B ).transpose() Z.expand() 这给了我以下的结果 A( A + B ) C^-1 ( A^T + B^T ) 但我想要扩大的结果 A * A
from sympy import *
A = MatrixSymbol( 'A', 3, 3 )
B = MatrixSymbol( 'B', 3, 3 )
C = MatrixSymbol( 'C', 3, 3 )
Z = A * ( A + B ) * C.inverse() * ( A + B ).transpose()
Z.expand()
这给了我以下的结果
A( A + B ) C^-1 ( A^T + B^T )
但我想要扩大的结果
A * A * C^-1 * A^T + A * B C^-1 * A^T + A * A C^-1 * B^T + A * B C^-1 * B^T
我能问你们怎么做吗?非常感谢目前,在Symphy中无法扩展矩阵运算。以上结果的表达式是查看结果的唯一方法。包括
expand()
,expand\u trig()
,expand\u power\u exp()
,expand\u power\u base()
,expand\u log()
,expand\u func()
和超扩展()
,这些似乎都不适用于矩阵表达式
如果我们想要评估您所需的输出,以与Z
sympy输出进行比较,那么simplify
函数似乎也不起作用
simplify(A*A*C.inverse()*A.transpose() + A*A*C.inverse()*B.transpose() + A*B*C.inverse()*A.transpose() + A*B*C.inverse()*B.transpose())
>>> A*A*C^-1*A.T + A*A*C^-1*B.T + A*B*C^-1*A.T + A*B*C^-1*B.T
这显然与Z
的sympy表达式的形式不同
即使您只是根据Symphy的输出测试所需的输出,您仍然会得到错误的结果
Z == A * A * C.inverse() * A.transpose() + A * B*C.inverse() * A.transpose() + A * A*C.inverse() * B.transpose() + A * B*C.inverse() * B.transpose()
>>> False
我们不能用每个索引的已知值定义矩阵A
、B
和C
,然后对上面的表达式求值以比较它们的输出,因为MutableDenseMatrix
对象没有inverse
属性
如果要实际比较这两个表达式以查看它们是否相等,可以使用numpy并将这两个表达式与已知的矩阵值进行比较。这非常复杂,不适用于非常复杂的表达式,但适用于简单表达式
e、 g
因此,我们可以看到,给定上述矩阵,symphy表达式
Z1
和您想要的表达式Z2
实际上是相同的。有人能帮忙吗?我想symphy没有办法做到这一点。它在MatrixSymbol类中没有这样的函数。
import numpy as np
# define 3 numpy arrays
A = np.array([[1,2,3],[4,5,6],[7,8,9]])
B = np.array([[0,0.1,-4],[19,0.67,6],[-1,99,5]])
C = np.array([[1,2,-1],[4,5,6],[-2,2,0]])
# sympy expression, compute iteratively
Z1 = np.dot(A, A + B)
Z1 = np.dot(Z1, np.linalg.inv(C))
Z1 = np.dot(Z1, A.T + B.T)
print(Z1)
>>>[[ 143.22088889 -672.5076 -100.24 ]
[-239.47685185 4558.45416667 3597.5 ]
[ 65.1457037 -94.81393333 519.56 ]]
# desired expression
p1 = np.dot(A, A)
p1 = np.dot(p1, np.linalg.inv(C))
p1 = np.dot(p1, A.T)
p2 = np.dot(A, B)
p2 = np.dot(p2, np.linalg.inv(C))
p2 = np.dot(p2, A.T)
p3 = np.dot(A, A)
p3 = np.dot(p3, np.linalg.inv(C))
p3 = np.dot(p3, B.T)
p4 = np.dot(A, B)
p4 = np.dot(p4, np.linalg.inv(C))
p4 = np.dot(p4, B.T)
Z2 = p1 + p2 + p3 + p4
print(Z2)
>>>[[ 143.22088889 -672.5076 -100.24 ]
[-239.47685185 4558.45416667 3597.5 ]
[ 65.1457037 -94.81393333 519.56 ]]
np.isclose(Z1,Z2)
>>>[[ True, True, True],
[ True, True, True],
[ True, True, True]