Skip to main content
 首页 » 编程设计

python之使用 SymPy 对符号矩阵表达式求幂

2024年12月31日13mq0036

我正在尝试使用 SymPy 以符号形式处理多元正态分布。但是,它似乎无法意识到我想要取幂的矩阵表达式求值为标量。这是代码:

from sympy import * 
    # Sample size, number of covariates 
n, k = symbols('n k') 
    # Data 
X = MatrixSymbol('X', n, k) 
y = MatrixSymbol('y', n, 1) 
    # Parameters 
beta = MatrixSymbol('beta', k, 1) 
Sigma = MatrixSymbol('Sigma', n, n) 
# Exponent expression, OK: 
(-Rational(1, 2)*(y - X*beta).T*Sigma*(y - X*beta)) 
# Trying to use as exponent, not OK: 
exp(-Rational(1, 2)*(y - X*beta).T*Sigma*(y - X*beta)) 

错误信息如下:

--------------------------------------------------------------------------- 
AttributeError                            Traceback (most recent call last) 
<ipython-input-76-62c854b75962> in <module>() 
----> 1 exp((-Rational(1, 2)*(y - X*beta).T*Sigma*(y - X*beta))) 
 
D:\Programming\Anaconda3\lib\site-packages\sympy\core\function.py in __new__(cls, *args, **options) 
    425  
    426         evaluate = options.get('evaluate', global_evaluate[0]) 
--> 427         result = super(Function, cls).__new__(cls, *args, **options) 
    428         if not evaluate or not isinstance(result, cls): 
    429             return result 
 
D:\Programming\Anaconda3\lib\site-packages\sympy\core\function.py in __new__(cls, *args, **options) 
    248  
    249         if evaluate: 
--> 250             evaluated = cls.eval(*args) 
    251             if evaluated is not None: 
    252                 return evaluated 
 
D:\Programming\Anaconda3\lib\site-packages\sympy\functions\elementary\exponential.py in eval(cls, arg) 
    300  
    301         elif arg.is_Matrix: 
--> 302             return arg.exp() 
    303  
    304     @property 
 
AttributeError: 'MatMul' object has no attribute 'exp' 

请您参考如下方法:

指数函数不支持矩阵表达式;它需要一个显式矩阵,这意味着一个具有确定条目(可以是符号)的确定大小的矩阵。要从矩阵表达式中获取显式矩阵,请使用 as_explicit 方法。

exp((-Rational(1, 2)*(y - X*beta).T*Sigma*(y - X*beta)).as_explicit()) 

返回一个1乘1的矩阵,即

Matrix([[exp(Sum(-y[_k, 0]*Sum(Sigma[_k, _k]*y[_k, 0], (_k, 0, n - 1)) + y[_k, 0]*Sum(Sigma[_k, _k]*Sum(X[_k, _k]*beta[_k, 0], (_k, 0, k - 1)), (_k, 0, n - 1)) + Sum(Sigma[_k, _k]*y[_k, 0], (_k, 0, n - 1))*Sum(X[_k, _k]*beta[_k, 0], (_k, 0, k - 1)) - Sum(Sigma[_k, _k]*Sum(X[_k, _k]*beta[_k, 0], (_k, 0, k - 1)), (_k, 0, n - 1))*Sum(X[_k, _k]*beta[_k, 0], (_k, 0, k - 1)), (_k, 0, n - 1))/2)]]) 

或者你可以做

exp((-Rational(1, 2)*(y - X*beta).T*Sigma*(y - X*beta)).as_explicit()[0, 0]) 

从 1 x 1 矩阵下降到标量。