O NumPy (Numerical Python) é bastante eficiente no processamento de arrays.
Seu principal objeto é o N-dimensional array (ndarray) ou tensor.
Matrizes são tensores com 2 dimensões (tensores de rank 2), de aplicação muito frequente.
Neste notebook reunimos as operações matriciais mais básicas do NumPy para o estudo do tema.
Para saber mais: http://www.opl.ufc.br/pt/post/numpy/
------------------------
import numpy as np
# Criando as matrizes
A = np.array([[1, -2, 3], [2, 0, 4]])
B = np.array([[2, 2, -4], [-1, 1, 0]])
display(A, B)
# Soma de matrizes
display(A+B)
# Subtração de matrizes
display (A-B)
# Multiplicação de uma matriz por um escalar
k = 3
display (k*A)
# Matriz oposta (de A)
display(-A)
# Multiplicação de matrizes
A = np.array([1, 2, 3])
B = np.array([[4], [5], [6]])
display(A, B)
display(A.dot(B))
# Criação de matriz identidade
I = np.identity(3)
display(I)
# Matriz inversa
A = np.array([[3, -2], [-1, 1]])
B = np.array([[1,2],[1,3]])
print('Inversas:')
display(np.linalg.inv(A))
display(np.linalg.inv(B))
# Matriz singular (não tem inversa)
A = np.array([[6, 3], [2, 1]])
display(np.linalg.inv(A)) # LinAlgError: Singular matrix
# Determinante de uma matriz quadrada
A = np.array([[2, 4], [-3, -1]])
display(np.linalg.det(A))
