如何在python numpy中创建随机正交矩阵
有没有一种方法可以在python中调用以创建随机正交矩阵?可能使用numpy?或者有没有一种方法可以使用多个numpy方法创建正交矩阵?谢谢。scipy的0.18版有和。添加它的拉取请求是 比如说,如何在python numpy中创建随机正交矩阵,python,numpy,linear-algebra,orthogonal,Python,Numpy,Linear Algebra,Orthogonal,有没有一种方法可以在python中调用以创建随机正交矩阵?可能使用numpy?或者有没有一种方法可以使用多个numpy方法创建正交矩阵?谢谢。scipy的0.18版有和。添加它的拉取请求是 比如说, In [24]: from scipy.stats import ortho_group # Requires version 0.18 of scipy In [25]: m = ortho_group.rvs(dim=3) In [26]: m Out[26]: array([[-0.2
In [24]: from scipy.stats import ortho_group # Requires version 0.18 of scipy
In [25]: m = ortho_group.rvs(dim=3)
In [26]: m
Out[26]:
array([[-0.23939017, 0.58743526, -0.77305379],
[ 0.81921268, -0.30515101, -0.48556508],
[-0.52113619, -0.74953498, -0.40818426]])
In [27]: np.set_printoptions(suppress=True)
In [28]: m.dot(m.T)
Out[28]:
array([[ 1., 0., -0.],
[ 0., 1., 0.],
[-0., 0., 1.]])
这是从中提取的
rvs
方法,只需进行最小的更改即可作为独立的numpy函数运行
import numpy as np
def rvs(dim=3):
random_state = np.random
H = np.eye(dim)
D = np.ones((dim,))
for n in range(1, dim):
x = random_state.normal(size=(dim-n+1,))
D[n-1] = np.sign(x[0])
x[0] -= D[n-1]*np.sqrt((x*x).sum())
# Householder transformation
Hx = (np.eye(dim-n+1) - 2.*np.outer(x, x)/(x*x).sum())
mat = np.eye(dim)
mat[n-1:, n-1:] = Hx
H = np.dot(H, mat)
# Fix the last sign such that the determinant is 1
D[-1] = (-1)**(1-(dim % 2))*D.prod()
# Equivalent to np.dot(np.diag(D), H) but faster, apparently
H = (D*H.T).T
return H
它与Warren的检验相匹配,你可以得到一个随机的
nxn
正交矩阵Q
,(均匀分布在nxn
正交矩阵的流形上)通过对具有均值0
和方差1
的i.i.d.高斯随机变量的n x n
矩阵执行QR
因子分解。以下是一个例子:
import numpy as np
from scipy.linalg import qr
n = 3
H = np.random.randn(n, n)
Q, R = qr(H)
print (Q.dot(Q.T))
编辑:(在@g的评论之后再次访问此答案。)上述关于高斯矩阵的QR分解的主张,提供了一个均匀分布(在所谓的斯蒂夫流形上)正交矩阵,由的定理2.3.18-19提出。请注意,结果说明表明存在“类似QR”的分解,但三角形矩阵R
具有正元素
显然,scipy(numpy)函数的qr
函数不能保证R
的正对角元素,而相应的Q
实际上并不是均匀分布的。这一点已在专论第。4.6(讨论涉及MATLAB,但我猜MATLAB和scipy使用相同的LAPACK例程)。建议将qr
提供的矩阵Q
与随机酉对角矩阵相乘,从而对其进行修改
下面我复制了上述参考文献中的实验,绘制了由qr
提供的“直接”Q
矩阵以及“修改”版本的特征值相位的经验分布(柱状图),其中可以看出修改后的版本确实具有统一的特征值相位,正如均匀分布的正交矩阵所期望的那样
from scipy.linalg import qr, eigvals
from seaborn import distplot
n = 50
repeats = 10000
angles = []
angles_modified = []
for rp in range(repeats):
H = np.random.randn(n, n)
Q, R = qr(H)
angles.append(np.angle(eigvals(Q)))
Q_modified = Q @ np.diag(np.exp(1j * np.pi * 2 * np.random.rand(n)))
angles_modified.append(np.angle(eigvals(Q_modified)))
fig, ax = plt.subplots(1,2, figsize = (10,3))
distplot(np.asarray(angles).flatten(),kde = False, hist_kws=dict(edgecolor="k", linewidth=2), ax= ax[0])
ax[0].set(xlabel='phase', title='direct')
distplot(np.asarray(angles_modified).flatten(),kde = False, hist_kws=dict(edgecolor="k", linewidth=2), ax= ax[1])
ax[1].set(xlabel='phase', title='modified');
如果您想要一个具有正交列向量的非正方形矩阵,您可以使用上述任何方法创建一个正方形矩阵并删除一些列。创建任何形状(
n x m
)正交矩阵的简单方法:
import numpy as np
n, m = 3, 5
H = np.random.rand(n, m)
u, s, vh = np.linalg.svd(H, full_matrices=False)
mat = u @ vh
print(mat @ mat.T) # -> eye(n)
注意,如果n>m
,它将获得mat.T@mat=eye(m)
Numpy也有qr分解
谢谢你的回复。我注意到给出的答案都是关于方阵的。我还可以用这种方法得到一个dxk矩阵,其中k
qr
的“直接”应用并不提供均匀分布的正交矩阵。请查看编辑后的答案以了解解决方法。非常好的答案!参考文献是相关的,非常感谢!不需要随机角度,只要使用R的对角线上的符号:Q_modified=Q@np.diag(np.sign(np.diag(R))
我认为你应该将rand
更改为randn
,以获得矩阵的均匀分布。否则,我认为这是最好的答案。
import numpy as np
n, m = 3, 5
H = np.random.rand(n, m)
u, s, vh = np.linalg.svd(H, full_matrices=False)
mat = u @ vh
print(mat @ mat.T) # -> eye(n)
from scipy.stats import special_ortho_group
num_dim=3
x = special_ortho_group.rvs(num_dim)
import numpy as np
a = np.random.rand(3, 3)
q, r = np.linalg.qr(a)
q @ q.T
# array([[ 1.00000000e+00, 8.83206468e-17, 2.69154044e-16],
# [ 8.83206468e-17, 1.00000000e+00, -1.30466244e-16],
# [ 2.69154044e-16, -1.30466244e-16, 1.00000000e+00]])