Để trả về ma trận đồng hành được chia tỷ lệ của mảng 1-D gồm các hệ số đa thức Legendre, hãy sử dụng phương thức thelegendre.legcompanion () trong Python Numpy. Ma trận đồng hành thông thường của Đa thức huyền thoại đã là đối xứng khi c là đa thức Laguerre cơ sở, vì vậy không áp dụng chia tỷ lệ.
Trả về ma trận Đồng hành được chia tỷ lệ của các kích thước (độ, độ). Tham số, c là mảng 1-D gồm các hệ số của chuỗi Huyền thoại được sắp xếp từ mức độ thấp đến mức độ cao.
Các bước
Đầu tiên, hãy nhập thư viện được yêu cầu -
import numpy as np from numpy.polynomial import legendre as L
Tạo mảng hệ số 1D -
c = np.array([1, 2, 3, 4, 5])
Hiển thị mảng -
print("Our Array...\n",c)
Kiểm tra các thứ nguyên -
print("\nDimensions of our Array...\n",c.ndim)
Lấy Datatype -
print("\nDatatype of our Array object...\n",c.dtype)
Lấy hình dạng -
print("\nShape of our Array object...\n",c.shape)
Để trả về ma trận đồng hành được chia tỷ lệ của mảng 1-D gồm các hệ số đa thức Legendre, hãy sử dụng phương thức thelegendre.legcompanion () trong Python Numpy. Ma trận đồng hành thông thường của Đa thức huyền thoại đã là đối xứng khi c là đa thức Laguerre cơ sở, vì vậy không áp dụng tỷ lệ -
print("\nResult...\n",L.legcompanion(c))
Ví dụ
import numpy as np from numpy.polynomial import legendre as L # Create a 1D array of coefficients c = np.array([1, 2, 3, 4, 5]) # Display the array print("Our Array...\n",c) # Check the Dimensions print("\nDimensions of our Array...\n",c.ndim) # Get the Datatype print("\nDatatype of our Array object...\n",c.dtype) # Get the Shape print("\nShape of our Array object...\n",c.shape) # To return the scaled companion matrix of a 1-D array of Legendre polynomial coefficients, use the legendre.legcompanion() method in Python Numpy print("\nResult...\n",L.legcompanion(c))
Đầu ra
Our Array... [1 2 3 4 5] Dimensions of our Array... 1 Datatype of our Array object... int64 Shape of our Array object... (5,) Result... [[ 0. 0.57735027 0. -0.30237158] [ 0.57735027 0. 0.51639778 -0.34914862] [ 0. 0.51639778 0. 0.10141851] [ 0. 0. 0.50709255 -0.45714286]]