$$ \def\CC{\bf C} \def\QQ{\bf Q} \def\RR{\bf R} \def\ZZ{\bf Z} \def\NN{\bf N} $$

Algèbre linéaire


In [ ]:
from __future__ import division, print_function   # Python 3
from sympy import init_printing
init_printing(use_latex='mathjax',use_unicode=False)  # Affichage des résultats

Cette section concerne l'algèbre linéaire et les matrices. On trouvera d'autres exemples dans le tutoriel de Sympy sur le même sujet: http://docs.sympy.org/latest/tutorial/matrices.html

Définir une matrice

En SymPy, on peut créer une matrice avec la fonction Matrix :


In [ ]:
from sympy import Matrix

Il suffit d'écrire les entrées lignes par lignes avec la syntaxe suivante:


In [ ]:
Matrix([[2, 5, 6], [4, 7, 10], [1, 0, 3]])


Out[ ]:
[2  5  6 ]
[        ]
[4  7  10]
[        ]
[1  0  3 ]

Une autre façon équivalente est de spécifier le nombre de lignes, le nombre de colonnes et puis la liste des entrées:


In [ ]:
Matrix(2, 3, [1, 2, 3, 4, 5, 6])


Out[ ]:
[1  2  3]
[       ]
[4  5  6]

Par défaut, si on ne spécifie pas les dimensions de la matrice, un vecteur colonne est retourné:


In [ ]:
Matrix([1,2,3,4])


Out[ ]:
[1]
[ ]
[2]
[ ]
[3]
[ ]
[4]

Opérations de base

Les opérations de l'algèbre des matrices (addition, multiplication, multiplication par un scalaire) sont définies naturellement:


In [ ]:
M = Matrix([[5, 2], [-1, 7]])
N = Matrix([[0, 4], [0, 5]])
M + N


Out[ ]:
[5   6 ]
[      ]
[-1  12]

In [ ]:
M * N


Out[ ]:
[0  30]
[     ]
[0  31]

In [ ]:
4 * M


Out[ ]:
[20  8 ]
[      ]
[-4  28]

In [ ]:
M ** 5


Out[ ]:
[-475   12242]
[            ]
[-6121  11767]

De même, on peut calculer l'inverse d'une matrice si elle est inversible:


In [ ]:
M**-1


Out[ ]:
[7/37  -2/37]
[           ]
[1/37  5/37 ]

In [ ]:
N**-1


Out[ ]:
Traceback (most recent call last):
...
ValueError: Matrix det == 0; not invertible.

La transposition d'une matrice se fait avec .transpose() :


In [ ]:
from sympy import I
M = Matrix(( (1,2+I,5), (3,4,0) ))
M


Out[ ]:
[1  2 + I  5]
[           ]
[3    4    0]

In [ ]:
M.transpose()


Out[ ]:
[  1    3]
[        ]
[2 + I  4]
[        ]
[  5    0]

Accéder aux coefficients


In [ ]:
from sympy import I
M = Matrix(( (1,2+I,5), (3,4,0) ))
M


Out[ ]:
[1  2 + I  5]
[           ]
[3    4    0]

On accède à l'élément en position (i,j) en écrivant M[i,j] :


In [ ]:
M[0,1]


Out[ ]:
2 + I

In [ ]:
M[1,1]


Out[ ]:
4

Attention: Les indices des positions commencent à zéro!!

On accède aux lignes et au colonnes d'une matrices avec les méthodes row et col :


In [ ]:
M.row(1)


Out[ ]:
[3  4  0]

In [ ]:
M.col(0)


Out[ ]:
[1]
[ ]
[3]

Construction de matrices particulières

Les fonctions zeros et ones permettent de créer des matrices de zéros et de uns:


In [ ]:
from sympy import ones,zeros
ones(2)


Out[ ]:
[1, 1]
[1, 1]

In [ ]:
zeros((2, 4))


Out[ ]:
[0, 0, 0, 0]
[0, 0, 0, 0]

La fonction eye de sympy permet de créer une matrice identité:


In [ ]:
from sympy import eye
eye(3)


Out[ ]:
[1, 0, 0]
[0, 1, 0]
[0, 0, 1]

La fonction diag permet de créer une matrice diagonale:


In [ ]:
from sympy import diag
diag(1,2,3)


Out[ ]:
[1  0  0]
[       ]
[0  2  0]
[       ]
[0  0  3]

Les éléments de la diagonales peuvent être eux-mêmes des matrices:


In [ ]:
diag(1, 2, Matrix([[7,8],[2,3]]))


Out[ ]:
[1  0  0  0]
[          ]
[0  2  0  0]
[          ]
[0  0  7  8]
[          ]
[0  0  2  3]

Matrice échelonnée réduite

On calcule la forme échelonnée réduite d'une matrice avec la méthode rref (abbréviation de reduced row echelon form en anglais):


In [ ]:
M = Matrix([[1, 2, 0, 3], [2, 6, 5, 1], [-1, -4, -5, 2]])
M.rref()


Out[ ]:
([1  0  -5    8  ], [0, 1])
 [               ]
 [0  1  5/2  -5/2]
 [               ]
 [0  0   0    0  ]

Noyau

On calcule le noyau d'une matrice avec nullspace :


In [ ]:
M = Matrix([[1, 2, 0, 3], [2, 6, 5, 1], [-1, -4, -5, 2]])
M.nullspace()


Out[ ]:
[[ 5  ], [-8 ]]
 [    ]  [   ]
 [-5/2]  [5/2]
 [    ]  [   ]
 [ 1  ]  [ 0 ]
 [    ]  [   ]
 [ 0  ]  [ 1 ]

Déterminant

On calcule le déterminant avec la méthode det :


In [ ]:
M = Matrix([[2, 5, 6], [4, 7, 10], [1, 0, 3]])
M.det()


Out[ ]:
-10

Polynôme caractéristique

La méthode charpoly permet de calculer le polynôme caractéristique d'une matrice carrée:


In [ ]:
M = Matrix([[3, -2,  4, -2], [5,  3, -3, -2], [5, -2,  2, -2], [5, -2, -3,  3]])
from sympy.abc import x
M.charpoly(x)


Out[ ]:
PurePoly(x**4 - 11*x**3 + 29*x**2 + 35*x - 150, x, domain='ZZ')

On ajoute .as_expr() pour obtenir l'expression symbolique du polynôme caractéristique:


In [ ]:
M.charpoly(x).as_expr()


Out[ ]:
 4       3       2
x  - 11*x  + 29*x  + 35*x - 150

In [ ]:
from sympy import factor
factor(_)


Out[ ]:
       2
(x - 5) *(x - 3)*(x + 2)

Valeurs propres et vecteurs propres

Continuons avec la même matrice M définie précédemment:


In [ ]:
M


Out[ ]:
[3  -2  4   -2]
[             ]
[5  3   -3  -2]
[             ]
[5  -2  2   -2]
[             ]
[5  -2  -3  3 ]

Soient les vecteurs colonnes w et v suivants:


In [ ]:
w = Matrix((1,2,3,4))
v = Matrix((1,1,1,0))
w


Out[ ]:
[1]
[ ]
[2]
[ ]
[3]
[ ]
[4]

In [ ]:
v


Out[ ]:
[1]
[ ]
[1]
[ ]
[1]
[ ]
[0]

En général, l'image par M d'un vecteur n'a rien à voir avec ce vecteur. Par exemple, l'image par M de w n'a rien à voir avec w :


In [ ]:
M * w


Out[ ]:
[3 ]
[  ]
[-6]
[  ]
[-1]
[  ]
[4 ]

Dans certains cas particuliers, l'image par M d'un vecteur retourne un multiple scalaire de ce vecteur. C'est ce qui se produit pour le vecteur v :


In [ ]:
M * v


Out[ ]:
[5]
[ ]
[5]
[ ]
[5]
[ ]
[0]

Le résultat précédent est égal à 5 fois le vecteur v :


In [ ]:
5 * v


Out[ ]:
[5]
[ ]
[5]
[ ]
[5]
[ ]
[0]

Un vecteur $v$ qui satisfait l'équation $Mv = \lambda v$ pour un certain nombre réel (ou complexe) $\lambda$ est appelé vecteur propre. Le nombre $\lambda$ qui satisfait l'équation est appelé valeur propre. Il se trouve que les valeurs propres d'une matrice sont les racines de son polynôme caractéristique. Le calcul des valeurs et vecteurs propres d'une matrice est utile dans presque tous les domaines des mathématiques.

En sympy, on calcule les valeurs propres d'une matrice avec la méthode eigenvals. Le résultat est un dictionnaire qui associe à chaque valeur propre sa multiplicité algébrique (comme pour le calcul des racines):


In [ ]:
M.eigenvals()


Out[ ]:
{-2: 1, 3: 1, 5: 2}

Et on calcule les vecteurs propres d'une matrice avec la méthode eigenvects :


In [ ]:
M.eigenvects()


Out[ ]:
[(-2, 1, [[0]]), (3, 1, [[1]]), (5, 2, [[1], [0 ]])]
          [ ]            [ ]            [ ]  [  ]
          [1]            [1]            [1]  [-1]
          [ ]            [ ]            [ ]  [  ]
          [1]            [1]            [1]  [0 ]
          [ ]            [ ]            [ ]  [  ]
          [1]            [1]            [0]  [1 ]

Le calcul précédent montre bien que le vecteur colonne v = [1, 1, 1, 0]^T est bien un vecteur propre de la matrice M associé à la valeur propre 5 comme on l'avait vu plus tôt. Il permet aussi de réaliser qu'un autre vecteur colonne linéairement indépendant de v est aussi un vecteur propre associé à la valeur propre 5. Finalement, il y a deux autres vecteurs propres associés aux valeurs propres -2 et 3.